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。     

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。     

基于径向基函数的概率神经网络的心律失常自动识别

讨论了基于径向基函数(RBF)的概率神经网络的基本网络结构和网络的学习和运行过程,并且与BP算法 的径向基神经网络进行了对比,同时也测试了网络的容错能力．结果表明,基于RBF的概率神经网络,学习速度大 大提高,同时减小了BP陷入局部极小的问题,有一定的抗噪声的能力．基于RBF的概率神经网络模型在心律失常 自动识别中获得了很好的应用．     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

一类基于概率神经网络的语音识别模型

介绍了采用人工神经网络,特别是概率神经网络(PNN)技术进行语音识别的原理．提出了一类基于概率神经网络的解决元音识别问题的模型,并且通过一个试验,研究了用于语音识别的PNN模型中的参数设置．试验表明,该模型对于元音的识别具有较好的识别率．     

带自适应遗传算子的粒子群神经网络及其应用

为解决神经网络训练中易出现的收敛速度缓慢、陷入局部极小点等问题,提出了一种新的带自适应遗传算子的粒子群神经网络训练算法,通过概率控制,在利用粒子群算法优化神经网络的同时,自适应地对备选粒子进行选择、交叉、变异等遗传操作,最后将算法应用于汽车发动机故障诊断神经网络模型的训练.试验结果显示,本算法继承了遗传算法全局搜索和粒...     

一种基于覆盖超球算法的径向基概率神经网络结构优化

介绍了径向基概率神经网络(RBPNN)的一种启发式结构优化算法.该算法首先提出一种移动平均中心超球覆盖算法,并用于初选径向基概率神经网络的隐中心矢量,然后使用遗传算法进一步优选隐中心矢量,同时优化核函数控制参数.实验结果表明,该算法在实际应用中能够加快优化速度,降低计算复杂度,有效地简化RBPNN模型的结构.     

基于神经网络测试码生成的一个鲁棒算法

针对基于组合电路神经网络模型进行测试码生成,提出了一个对神经元连接权值不敏感的鲁棒算法——改进的遗传算法．它克服了运用概率松驰搜索算法求解测试矢量时,神经元之间连接权值的选择影响测试结果的缺陷,增强了测试码的鲁棒性．该算法对不同的连接权值都能得到满意的测试结果     

基于遗传小波神经网络模型的脱机签名鉴定

根据脱机中文签名的特点,提出了一种用基于遗传算法的小波神经网络进行脱机中文签名鉴定的方法.基于遗传算法的小波神经网络模型结合了遗传算法的全局搜索能力和小波神经网络快速高精度的特点,克服了梯度下降法易陷入局部极小和引起振荡效应等缺点.该模型用遗传算法对小波神经网络的各参数进行前期优化训练,再用梯度下降法对参数进行二次优化.实验结果表明,将此模型用于脱机签名鉴定系统,与单独采用BP网络或小波神经网络相比,性能有明显的提高.     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于概率神经网络的悬索桥损伤定位研究

概率神经网络(下称PNN)以贝叶斯概率方法描述测量数据,因而PNN可以在有噪声情况下进行结构损伤检测·提出了运用传统PNN和自适应PNN进行结构损伤检测的方法与基本原理,并分别用两种PNN模型进行了悬索桥的损伤定位研究,还讨论了测量噪声对识别精度(IA)的影响·研究发现,运用自适应PNN进行损伤定位效果极大地优于传统PNN,且随着噪声程度的增大,IA减少     

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.     

人工神经网络对电子鼻性能的影响

电子鼻原型由4个气体传感器组成的阵列和人工神经网络识别软件组成,可识别不同品牌的白酒.以它为例,研究了3种人工神经网络,即反向传输网络(BPN)、学习矢量量化网络(LVQ)和概率神经网络(PNN)对电子鼻性能的影响.结果表明,在需要精细识别时,虽然传感器阵列对白酒的响应谱的差别是电子鼻识别的基础,但是人工神经网络结构和算法包括相关训练参数的选择对决定电子鼻的性能也有重要的作用.比较而言,学习矢量量化网络在分类能力和训练成本方面更胜一筹,而概率神经网络则在计算负载和易用性方面更好一些.     

概率神经网络回归、判别与聚类

本文基于相同结构的概率神经网络,提出了使其具有回归、判别与聚类功能的不同权重学习算法以及通用变元最优选择方法.该网络具有结构和学习算法简单、收敛速度快、易于软件模拟实现等优点,并可方便地应用于预报、控制、决策等领域.     

基于PCA的概率神经网络模式分类方法

研究了概率神经网络隐单元主要分量的选取方法。这些方法的概率神经网络比原来的网络大大降低了隐单元数，并且带来分类测试时间减少的增益。最后，就模拟和实测两组数据进行了计算机仿真，实验结果证实了这种方法的可行性。     

基于过程神经元网络模型的间歇反应优化计算

针对间歇过程中最优操作轨线经常从生产经验中人工获取的问题,提出了一种基于过程神经网络(processneural network,PNN)模型的自动计算方法。利用PNN独特的时间聚合算子特点,建立反应操作变量与产品质量之间的关系。基于此时间函数模型,通过产品质量性能指标优化计算,获得最佳的控制轨线,作为实际生产的设定曲线。最后,MPCE仿真平台的间歇反应实验说明了该方法的有效性。     

基于神经网络的激光超声探伤表面波的分类

利用3种神经网络即自组织竞争神经网络、学习向量量化神经网络和概率神经网络对激光超声探伤缺陷表面波进行分类.讨论了3种网络在不同输入情况下的分类效果.实验结果表明,这3种神经网络都可以取得良好的分类效果.     

运用概率神经网络对混凝土拱坝进行损伤位置的识别

大型水利工程的灾难性事故多由大坝的微小裂缝发展而成,在运行期间对混凝土坝的裂缝进行监测十分重要.提出了基于振动测试数据用概率神经网络对混凝土拱坝进行损伤检测,并针对一混凝土拱坝进行损伤识别的数值模拟分析,结果表明基于振动测试数据利用概率神经网络识别混凝土拱坝的损伤位置是可行的.     

概率神经网络的边界预报

在概率神经网络用于时间序列预测的基础上,结合数理统计理论,提出在一定置信度情况下,对时间序列的边界预报问题．在时间序列预报时,不仅给出预报值,同时也给出预测值的变化范围．通过模拟数据和齿轮箱实际数据,对边界预报进行了应用分析,得出预报具有滞后性的结论并分析了其原因;同时讨论了平滑因子等参数对边界预报的影响．