基于规则的T-S模糊神经网络

该文提出了一种基于规则的Ｔ－ Ｓ模糊神经网络的结构和相应的算法。首先用自组织算法对学习数据进行聚类生成一组初始的模糊规则,然后用误差反传法细调网络参数,通过仿真验证,该模糊神经网络具有结构简单,拟合精度高等优点。     

基于云理论神经网络决策树的生成算法

提出了一种基于五层云神经网络的决策树生成方法.运用五层云神经网络学习变量间的云映射关系,从中生成云决策树.给出了神经网络的学习算法和云决策树的推理方法,这种方法不但具有神经网络的学习能力,而且结合云理论处理知识的不确定性的能力.该方法利用了五层云神经网络学习后的云映射强度,并能实现云决策树的剪枝优化,提高了算法的正确率.     

基于神经网络的强化学习在避障中的应用

为了提高移动机器人的自学习能力,在基于行为控制结构的基础上设计了智能控制结构,该结构引入了强化学习模块.神经网络具有很好的泛化能力,该文提出了基于神经网络的强化Q学习算法,克服了表格式Q学习算法只能应用到离散的状态中并需要大量存储空间的不足,最后结合智能控制结构应用到移动机器人的避障中.实验结果表明,该方法能够使移动机器人通过自学习实现自主避障.     

一种改进的决策规则生成算法

将神经网络集成与C4.5Rule方法相结合,提出了一种改进的决策规则生成算法.该算法以神经网络集成作为C4.5Rule学习的前端,利用其产生用于C4.5Rule学习的数据集,在此基础上进行决策规则的生成.在UCI机器学习数据库上的实验结果表明,该算法可以产生泛化能力较强的决策规则.     

一种用于MIMD平台的并行遗传／神经网络混合学习算法

本文提出了一种用于多层前馈神经网络训练的新算法，它把遗传算法与自适应变形梯度学习算法集成起来。这种并行混合学习算法已经在ＭＩＭＤ平台实现了。通过把该算法用于二个图像识别领域例子，对它的性能进行了评估，本文学显示了所 拼行混合神经网络学习算法的良好的收敛性。     

Modular拟阵在几种运算下的不变性

第一部分论证了Ｍｏｄｕｌａｒ拟阵在限制，收缩、直积等运算下仍为Ｍｏｄｕｌａｒ拟阵；第二部分给出拟阵中Ｍｏｄｕｌａｒ元素在一些运算下的不变性。     

用于机器手控制的在线的自组织模糊神经网络

基于动态自适应方法,本文提出了一种能动态生成自组织模糊神经网络(SOFNN)的新算法,并应用该算法能有效地估计机器手的非线性。本算法能自动划分输入输出空间,自学习调整高斯函数,模糊规则的构造及空间的划分数目是并行调整的。这个SOFNN算法的独特之处是:自组织动态结构、快速的学习能力,良好的鲁棒性。一个两自由度的工业机械手验证了其有效性。     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

寻找图的最小割集的神经网络方法

针对问题的特点,建立了Ｈｏｐｆｉｅｌｄ网络的能量函数,提出并构造了一种寻找任意图最小割集的神经网络算法－ＮＮＭＣ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｉｎｉｍａｌ Ｃｕｔ）算法。该算法充分利用了Ｈｏｐｆｉｅｌｄ网络快速收敛的特性,并具有跳出局部极小点的方法。     

基于光流约束自编码器的动作识别

为了改进特征学习在提取目标运动方向及运动幅度等方面的能力,提高动作识别精度,提出一种基于光流约束自编码器的动作特征学习算法.该算法是一种基于单层正则化自编码器的无监督特征学习算法,使用神经网络重构视频像素并将对应的运动光流作为正则化项.该神经网络在学习动作外观信息的同时能够编码物体的运动信息,生成联合编码动作特征.在多个标准动作数据集上的实验结果表明,光流约束自编码器能有效提取目标的运动部分,增加动作特征的判别能力,在相同的动作识别框架下该算法超越了经典的单层动作特征学习算法.     

From designing a single neural network to designing neural network ensembles

This paper introduces supervised learning model, and surveys related research work. The paper is organised as follows. A supervised learning model is firstly described. The bias-variance trade-off is then discussed for the supervised learning model. Based on the bias-variance trade-off, both the single neural network approaches and the neural network ensemble approaches are overviewed, and problems with the existing approaches are indicated. Finally, the paper concludes with specifying potential future research directions.     

混合算法实现的RBF神经网络及在模式辨识中应用

把模糊聚类算法和RBF神经网络结合起来,得到一种基于混合算法的RBF神经网络.首先由改进的FCM算法确定神经网络结构;然后利用监督学习对网络参数进一步优化,并对输出权值调整.使网络不仅具有最优的拓扑结构,而且又具有较强的映射能力.对驾驶员的疲劳程度进行识别,得到了满意的结果.     

一种PNN网络的EM训练算法

提出一种概率神经网络（ＰＮＮ）的ＥＭ（ＥｘｐｅｃｔａｔｉｏｎＭａｘｉｍｉｚａｔｉｏｎ）训练算法．ＰＮＮ网为一四层前馈网,它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,它把输入的样本模式,经网络变换为输出的分类判决．其网络节点对应于贝叶斯后验概率公式的各个变量．此ＰＮＮ网络用高斯核的Ｐａｒｚｅｎ窗函数作为核密度函数,网络参数训练由ＥＭ算法实现,其学习方式为类间的监督学习和类内的非监督学习．实验表明了此网络及其学习算法在分类应用中的有效性．     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用     

采用遗传网络算法实现非线性系统的神经网络控制

提出一种对于非线性系统遗传算法的神经网络控制模型 ,并给出了新的神经网络训练模型 .该模型的主要优点是 ,优化网络连接权重 ,优化网络拓扑结构     

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

基于KPCA联合并联抑制神经网络变换的红外目标识别算法

为了提高红外目标的识别性能,提出了一种KPCA联合并联抑制神经网络变换.该联合神经网络变换集成了KPCA的 KHA学习机制与神经网络误差反传机制,使得KPCA与GSN分类器有机地结合起来,通过监督学习的方式引入类别信息,能够在实现数据有效降维的同时,优化主元特征的提取,从而提高算法的分类识别性能.针对典型红外军用车辆图像,采用联合算法与传统算法分别进行对比实验.实验结果表明,算法在优化特征同时,提高了目标识别性能.