基于一类SVM的贝叶斯分类算法

提出一种基于一类支持向量机(one-class SVM)的贝叶斯分类算法,该算法用一类SVM对类条件概率密度进行估计以构造贝叶斯分类器. 证明采用高斯核的一类SVM,其解可以归一化为密度函数,并把该密度函数看作类条件概率密度的平滑估计,构造贝叶斯分类器. 实际数据集上的实验结果表明,提出的分类算法测试准确率高于简单贝叶斯分类器与贝叶斯网络分类器,不低于传统二类SVM;比传统二类SVM需要计算的核矩阵规模更小,训练时间更短.     

Text─Dependent Speaker Identification

探讨了层次混合专家（ＨＭＥ）模型在说话人辨认中的应用。对于一个多路分类问题，提出了一个推广的贝努利概率分布密度函数，取代早先用于ＨＭＥ中的多项式概率分布密度函数。利用提出的概率分布密度函数和ＨＭＥ模型，用ＥＭ学习算法对模块网络进行训练所得到的说话人辨认系统不仅具有良好的性能，而且具有非常快的训练速度     

基于一类SVM概率密度估计的多分类贝叶斯算法研究

为降低训练分类器的运算复杂度，并解决支持向量机（SVM）对多类分类问题没有特别有效解决方法的问 题。提出了一种基于一类支持向量机的多分类贝叶斯算法，证明了基于径向基核函数的一类SVM的分类函数归 一化为密度函数，并将所得的概率密度函数用于构造二分类及多分类贝叶斯分类器。仿真实验将提出的多分类贝 叶斯算法应用于多类通信信号调制识别，结果表明：该算法的分类准确率不低于传统SVM多分类器，而在多类属、 每类训练样本数目较大的情况下训练所需的运算量和存储量仅是传统SVM多分类算法的0.5%大大减小了核 矩阵规模和     

判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。     

求解一类单向函数的 TMP 权衡方法

针对求解一类具有良好伪随机性的单向函数,利用ＴＭＰ权衡技术,提出了一种新型的迭代算法．经过分析,此算法在计算上是可行的：其时间复杂度Ｔ～ｌｔ,空间复杂度Ｍ～ｍ,（其中ｍｌｔ≥Ｎ,Ｎ是所求问题定义域中元素的个数）,且此算法将以极大概率（在随机性假设下,以１概率）在上述时空复杂度内得出所求结果;同时,对特殊问题ＤＥＳ进行复杂度分析,证明了此算法的优越性．     

基于统计估计的盲信号分离算法

最大熵法（ＭａｘｉｍｕｍＥｎｔｒｏｐｙ,ＭＥ）和最小互信息量法（ＭｉｎｉｍｕｍＭｕｔｕａｌＩｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）是两种目前最常用的盲信号分离算法．在分析ＭＥ与ＭＭＩ算法的基础上,提出了一种利用反馈结构的输出信号概率密度函数（ｐｄｆ）估计的增强ＭＥ算法．与传统ＭＥ算法相比较,新算法无需给出传统ＭＥ算法中神经元非线性函数的具体表达形式,而是直接利用输出信号ｐｄｆ估计来推导算法的迭代核,进行算法自适应．分析了应用几种不同ｐｄｆ估计方法的新算法迭代公式．通过计算机模拟表明,新算法比传统ＭＥ算法对于解决卷积混合输入的盲信号分离问题时,具有更好的算法性能．     

基于层次混合专家模型的说话人辩认的研究

探讨了层次混合专家模型在说明人辨认中的应用。对于一个多路分类问题，提出了一个推广的贝努利概率分布密度函数，取代早先用于ＨＭ中的多项式概率分布密度函数。利用提出的概率分布密度函数和ＨＭＥ模型，用ＥＭ学习算法对模块网络进行训练所得到的说明人辩认系统不仅具有良好的而且具有非常快的训练速度。     

一种用于模式识别的动态RBF神经网络算法

对径向基函数（RBF）神经网络在数据分类中的应用进行了研究．提出一种应用于模式识别的动态RBF训练算法，该算法使用区域映射误差函数并结合资源分配网络（RAN）的“新性”（novelty）条件动态调整网络的隐层节点数，从而可以更加有效地进行模式识别．二分类样本和建筑材料CaO-Al2O3-SiO2系统仿真表明，该改进算法使误差下降更快，减少了训练次数，可以获得精简的网络结构，从而使网络具有较高的泛化能力．     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈（ＢＰ）网络只要其隐层节点数足够多就能解决任何形式的分类问题．应用标准（ＢＰ）网络识别多模式类分类问题时存在以下缺陷：（１）对不同模式类均使用相同数目的隐层元；（２）增加新模式类后，网络要重新学习；（３）网络识别的机理研究困难．笔者提出了一种局域连接前馈神经网络（ＬＣＮＮ）结构，其隐层神经元与输出神经元之间为局域连接，学习算法与ＢＰ算法类似．ＬＣＮＮ具有以下特点：（１）便于自构网络结构，提高网络的推广能力；（２）便于提取各模式类的不变特性；（３）具有较强的记忆能力，便于实现追加学习．以五种海底沉积层介质类型的分类识别为例，分别利用标准前馈（ＢＰ）网络与ＬＣＮＮ网络进行分类识别，结果表明：ＬＣＮＮ便于自构网络结构，具有追加学习的能力．     

基于径向基函数神经网络的语音识别

提出一种基于径向基函数神经网络的改进聚类方法,并将此改进的神经网络应用于语音识别领域,建立一个非特定人的孤立词语音识别系统.此聚类方法采取有监督的学习方式,将训练样本的形心作为隐节点的质心,训练样本的分类数作为隐节点的个数.利用该方法对小词表汉语孤立词进行语音识别.结果表明,采用此算法的径向基函数的神经网络具有更好的分类能力,训练速度和识别率均优于传统的径向基函数网络.     

基于概率神经网络的锋电位实时分类算法

为了实现便携式实时处理的实用型脑-机接口(BMI),提出了一种基于概率神经网络(PNN)的锋电位信号实时分类算法,并完成了该算法基于现场可编程门阵列(FPGA)的实现.该算法通过训练数据的快速导入完成PNN的训练,再由PNN实现锋电位的分类工作.文中通过调用FPGA片上DSP48Es资源实现单精度浮点的乘加运算,采用并行流水结构加速向量间距离的计算,通过查找表和坐标旋转数字计算方法完成PNN激活函数的准确逼近.实验结果表明,在完成高达93.82%准确率的情况下,基于FPGA的PNN实现方法比基于Matlab的方法快47.43倍,达到了便携式实时处理的设计要求.     

手写签名的概率神经网络识判模型

针对手写签名的随机性和信息的不完备性,提出了将Ｂａｙｅｓ网络与前馈神经网络相结合的概率神经网络模型．论述了建模的理论基础、模型结构、训练算法及其简化算法．概率神经网络可计算待测签名样本为真（或伪）签名的最大可能性,进而确定其所属类别     

基于神经网络的扎龙湿地土地覆盖分类研究

主要研究神经网络在土地覆盖分类方面的应用问题．采用四层神经网络结构,对扎龙湿地的TM影像进行了分类研究,并提出一种基于鲁棒误差函数的自适应反向传播学习算法．仿真结果表明,该方法能够有效地对扎龙湿地TM影像进行分类．所采用的四层网络结构可减轻存储量大的负担,鲁棒误差函数有效地抑制了大误差,自适应反向传播算法使误差下降更快,而且最终得到的分类精度高于三层神经网络和最大似然法的分类精度。     

基于极限学习的过程神经网络研究及化工应用

针对过程神经网络在化工过程建模中学习速度慢、易陷入局部极值等问题,借鉴极限学习机算法训练网络参数的思想,提出了一种新型的基于极限学习的过程神经网络(EL-PNN).ELPNN网络以过程神经网络的方式得到隐含层的输出后,不再使用梯度下降法进行参数调整,而是根据极限学习机算法通过广义逆直接求解输出权值.同时,为了进一步提高网络的泛化性能,考虑结构风险,在EL-PNN网络中加入风险比例参数.以高密度聚乙烯装置进行验证,结果表明,该网络具有学习速度快、建模精度高的特点,为过程神经网络在复杂化工生产中的应用提供了新思路.     

基于概率神经网络的中草药活性组分利尿性的QSAR研究

利用线性判别分析和概率神经网络,建立了预测中草药有效成分利尿性与其分子结构参数之间的QSAR模型.概率神经网络分类结果好,训练集、交互检验集和测试集的分类正确率均可达到100%.本文所用的概率神经网络结构简单、易于调试,研究工作进一步明确了分子利尿性与其结构参数之间的关系,有助于利尿药物的选择与合成.     

分支前馈神经网络的研究

在BP算法的基础上，提出了一种用于模式分类的人工神经网络模型-分支前馈神经网络，并给出了相应的算法，对模式分类的几个典型例子进行了计算机仿真研究，仿真结果表明，与一般BP网络相比较，分支前馈神经网络显著地减少了训练时间，且分类效果更好。     

基于脸部检测和Fuzzy ART的乘客检测算法

研究了小汽车内的乘客检测和计数的方法,提出了一种基于脸部检测和Fuzzy ART神经网络的算法.采用光照校正、基于亮度补偿的椭圆肤色模型检测算法和数学形态方法以分割汽车内部的人脸区域和背景区域,使用Fuzzy ART神经网络分类器对脸部区域进行计数.在正常白天天气和光照条件下,该算法能够有效地检测出运动车辆中乘客的数量.     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。     

一种粗糙模糊神经网络分类器及其应用

提出了一种粗糙模糊神经网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本建立决策表,进行决策表属性值离散化、属性约简和分类规则的提取;依据约简后决策表的属性、经模糊化处理的属性值及分类规则构造粗糙模糊神经网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化神经网络的结构,加快网络的训练速度。并详细介绍了该分类器用于汽车车牌字符识别的步骤和实验结果。     

基于图的Laplace矩阵和非负矩阵的图像分类

文章将图的Laplace矩阵和非负矩阵分解方法结合起来,应用于图像分类.对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵进行非负矩阵分解后得到图像的特征向量,最后将特征向量输入到PNN分类器中,对图像进行分类.对模拟图像和真实图像进行了多组实验,结果证明了该算法应用于图像分类的准...