基于协同神经网络的网络流量异常检测

针对网络流量具有复杂的动力学特性,提出了一种应用自上而下的协同神经网络进行网络流量异常检测的方法.首先选择包含正常网络流量和异常攻击流量的数据集作为原型模式,然后通过协同神经网络进行序参量的动力演化,最终根据原型模式对应的序参量的演化结果来判定检测结果.实验结果证明,该方法能有效的识别出正常流量和异常攻击的种类.     

一种新的基于梯度动力学的协同神经网络学习算法

在研究协同神经网络梯度动力学过程的基础上，针对学习过程收敛速度缓慢的缺点，介绍了一种改进的基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响，简化了初始伴随向量的选取；并引入最优化理论，将该问题归结为求解非线性最优化问题，提出了适时地用共轭梯度法代替梯度下降法的算法，加快了学习过程的收敛。通过对标准人脸图像库的图像识别实验表明该算法较之其他学习算法有较高的识别率，并能较快地收敛到极小值。     

人脸识别的协同算法实现与改进

从协同模式识别的动力学方程出发,研究了协同识别算法中的序参量和注意参数,提出了变注意参数方法,推导了相应的变化方程,以加快人脸识别过程,减少迭代次数,对加噪人脸图像的识别实验表明,协同算法对噪声具有较好的鲁棒性,同时识别迭代次数减小至１／８左右,证实了变注意参数方法的有效性。     

基于协同神经网络的系统状态识别

现代机械加工对安全性和效率的要求越来越高,声发射以高灵敏度、高可靠性、高安全性等优点,成为机械加工动态监测中最具前景的监测方法之一。声发射现象在机械加工中广泛存在,通过研究声发射技术的基本原理可以明确声发射信号的变化规律。基于协同神经网络的机械加工工作状态识别的实现过程包括学习训练阶段和迭代识别阶段。网络实现过程首先将输入待识别模式的特征向量进行去均值归一化等预处理,求出序参量的初始值,然后根据序参量的动力学方程进行演化,只有一个序参量演化的值达到稳定,最终模式类在竞争中胜出,网络识别结果是把待识别模式归类为相应的初始训练模式类。     

基于聚类法的协同神经网络学习算法

根据协同学理论的基本观点（模式识别的过程即为模式形成的过程）,对构造出的协同神经网络在模式识别中的应用进行了研究．发现伴随向量的性能直接影响到模式识别的成功率,而伴随向量是由原型向量计算得到．所以原型向量的选择对识别结果有着十分重要的作用．提出了一种基于聚类算法的选择原型向量的方法．通过对近千个样本进行的模拟实验,结果证明这种基于聚类算法的原型向量选择方法很有效,使识别率有了较大的提高．     

基于协同神经网络的集成化物流演化的预测模型

集成化物流是现代物流发展模式的高级形式.在前人研究的基础上,并且利用动力学方程模拟物流系统自组织演化过程.运用协同学分析集成化物流的发展演化,并建立了集成化物流的模式演化的协同神经网络模型.     

集群环境下的产学研协同创新理论模式构建

复杂的市场环境促使集群企业通过开展外部性的创新合作来提高技术竞争能力,而与大学及科研院所之间的产学研协同创新正是其中一种重要的合作形式。具有分工式生产和集聚式创新特点的产业集群,为产学研协同创新成果的产业化和市场化提供了实现的条件。首先,分析了产学研协同创新理论演进过程。然后,结合"集群环境"概念的提出,对集群环境下的产学研协同创新系统的构成要素、运行内容进行了系统梳理,并在此基础上提出了系统结构。接着,结合学术界关于产学研协同创新本质是知识协同和知识增值过程的论断,提出了集群环境下的产学研协同创新的内涵解释。最后,构建了理论模型,并对集群环境与产学研协同创新的相互作用机理进行了解析。     

供应链资源协同的自组织演化模型研究

针对供应链资源协同的自组织演化问题,基于协同学理论,运用系统动力学的方法构建了供应链资源协同的自组织演化模型。通过对模型的求解与应用分析得出:供应链的协同能力和盈利能力这两个序参量决定了系统自组织的演化,而当系统参数满足非稳定性条件时,随机涨落就会引发系统有序结构的改变。模型揭示了供应链资源协同的演化过程与本质,为指导供应链企业的发展提供了理论依据。     

科学进化系统的协同机制研究

科学进化是一个系统自组织过程,满足协同学的基本原理。科学进化的不同时期伴有不同的序参量产生,它们对科学进化的支配、主宰作用具有不同的功能特征。正确认识科学进化系统的协同学机制,对制定科技政策具有重要的启示作用。     

基于PSO-BP算法的微带天线谐振频率神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.本文提出基于粒子群优化(PSO)算法和反向传播(BP)算法的一种混合算法(PSO-BP)来训练神经网络,并基于该网络对矩形微带天线的谐振频率进行建模.该算法充分利用了PSO的全局搜索特性和BP的局部搜索特性,可以有效地提高神经网络的建模精度.仿真试验表明,基于PSO-BP算法的神经网络所建立的微带天线的谐振频率模型好于此问题的已有结论.     

协同神经网络求解流动推销员问题方法——确保单回路的神经网络方法

神经网络方法求解流动推销员问题(Travel Salesman Problem,简称TSP问题)时,往往产生不满足TSP的单回路约束的不可行解.基于协同神经网络的方法解决TSP,并设计了一个回路合并算法,确保得到满足TSP的单回路约束的解.通过算例进行数值模拟,并且比较了新算法、标准遗传算法和标准模拟退火算法的求解结果.实验结果表明,说明该方法在求解TSP 问题上是行之有效的.     

神经网络的短波信道参数实时估算算法

提出了神经网络在短波信道参数实时估算中的原理、算法及应用 ,给出了用神经网络进行参数估算的工作流程 ,以及实验的仿真结果 .     

神经网络在转差型矢量控制中的应用

本文采用神经网络ＰＳＤ算法构成速度调节器，用于转差型矢量变频调速系统中，以克服转子参数变化和扰动对系统性能的影响，同时系统基本无超调。仿真实验证明了这种方法的有效性。     

频率分集多小波神经网络盲均衡算法

在分析多小波神经网络盲均衡的基础上,提出了频率分集多小波神经网络盲均衡算法（ FD －MWT －FNN）,该算法利用多小波的特性,加快算法的收敛速度,采用具有对称特性的误差函数减小算法的均方误差,为了进一步提高算法的性能,引入频率分集技术克服多径衰落的影响。水声信道的仿真结果表明,该算法具有收敛速度快,稳态误差小的特点。     

基于IRT模型的BP神经网络参数估计的进一步研究

对基于 IRT 模型的 BP 神经网络降维法参数估计中的 BP 神经网络的网络隐层数及隐层节点数进行改进,并对其降维法中不合理的部分予以修正。通过蒙特卡洛模拟研究结果表明:对参数估计的各评价指标,改进的方法均优于原方法。     

基于小波概率神经网络的控制图异常模式参数估计

提出了小波变换概率神经网络的基本框架,并应用于控制图异常模式的参数估计。仿真实验结果表明：该方法结构简单,收敛速度快,具有一定的识别精度,适合于控制图异常模式的参数估计。     

用神经网络预测饱和液体密度

使用前向神经网络，采用带阻尼的牛顿二阶学习方法，学习纯物质的饱和液体密度与温度的关系，在熔点到临界点的温度范围内，预测平均误差小于０．０３％。适宜的网络工作区间「ａｍｉｎ，ａｍａｘ」为「０．５，０．７」。     

基于复变自适应神经网络的电网相位估计方法

针对非理想电网电压下,不平衡电压、频率偏移引起的电网相位难以检测的问题,提出了一种在复变域下使用的基于自适应神经网络的电网相位估计方法.首先,对非理想电网电压进行建模,在得到神经网络模型的基础上,将复变最小均方算法的权值更新方法应用到神经网络权值更新过程中,利用神经网络权值实现对相位的估计.为了跟踪电网频率,设计了电网频率跟踪环节,并对收敛性进行了分析.仿真和实验的结果表明所提出的方法能够快速准确地对非理想电压下的电网相位进行估计.