基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学习方法 ,采用输入输出样本关系曲率来表示函数的复杂度 ,根据曲率的大小确定隶属函数的中心点与宽度 ,使隶属函数的分布符合映射的变化 ,从而在提高逼近精度的同时减少隶属函数个数的增加 .通过仿真将这一方法与均匀划分方法及自组织聚类方法比较 ,结果表明 ,该方法在学习的快速性与精度方面均具有较优的性能     

具有动态级联结构的在线Boosting算法

针对在线Boosting由于提前设定弱分类器个数导致分类器的分类复杂度受到限制的缺陷,提出了一种新的具有动态级联结构的在线Boosting算法.该算法不但具有一般级联结构的特点,而且能根据输入样本分类的难度来实时地调整级联结构的层数,从而使得目标检测器在检测速度和检测精度方面达到很好的平衡.与一般的方法不同,该算法并没有记录一段短暂的历史样本片段来确定弱分类器的阈值,而是把每一个弱分类器的输出值视为一个随机变量,从而进一步估计它的密度函数.然后以迭代的方式估计出整个强分类器的密度函数,进而构建出在线Boosting的动态级联结构.实验结果表明:与原始的在线Boosting算法相比,该算法大大提高了目标检测的速度和精度.     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

模糊支持向量机中隶属度确定的新方法

针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,提出一种改进的隶属度确定方法.该方法不仅考虑样本与类中心之间的关系,还考虑样本之间的关系根据样本的类中心与传统支持向量机构造的分类面构建2个超球,由样本点与超球的位置关系计算其隶属度,能够有效地区分样本点、噪音点以及孤立点.通过文本分类实验表明,与其他两种隶属度函数方法相比,基于双超球的模糊支持向量机方法可以更有效地将文本训练集中的噪音剔除,具有较好的分类性能.     

基于过程神经网络和量子遗传算法的油藏采收率参量逆向求解

对于多输入多输出系统,针对如何根据系统模型和期望输出反求系统输入的问题,提出了一种基于过程神经网络和量子遗传算法相结合的方法,并给出了具体的实现方法.首先根据实际系统的领域知识和学习样本集,建立满足系统实际输入输出映射关系的正向过程神经网络;然后按照系统在过程区间的某一期望输出,用过程神经网络的输出误差构造适应度函数,用量子遗传算法逆向确定系统的过程输入信号,使该输入信号满足已建立的正向过程映射关系,从而完成系统的逆向过程控制.油藏采收率参量的逆向求解结果证明了该方法的有效性.     

基于过程神经网络和量子遗传算法的油藏采收率参量逆向求解

对于多输入多输出系统，针对如何根据系统模型和期望输出反求系统输入的问题，提出了一种基于过程神经网络和量子遗传算法相结合的方法，并给出了具体的实现方法。首先根据实际系统的领域知识和学习样本集，建立满足系统实际输入输出映射关系的正向过程神经网络；然后按照系统在过程区间的某一期望输出，用过程神经网络的输出误差构造适应度函数，用量子遗传算法逆向确定系统的过程输入信号，使该输入信号满足已建立的正向过程映射关系，从而完成系统的逆向过程控制。油藏采收率参量的逆向求解结果证明了该方法的有效性。     

一种复杂系统的模糊模型结构及递推辨识方法

提出了一种复杂系统的模糊模型结构及辨识方法．该模糊模型利用系统的输入和输出数据,将输入和输出空间视为模糊空间．根据辨识精度将模糊空间划分为ｍ 个子空间,每个子空间由线性模型来表征．由隶属函数将子空间模型联接成全局模型来表征系统的整体特性．隶属函数和子空间的模型参数由递推辨识方法实现．仿真结果表明,这种模型结构可以表达复杂系统的特征和辨识算法的有效性     

模糊神经网络结构动态学习算法

提出了一种模糊神经网络（ＦＮＮ）结构学习算法,根据输入样本动态构建ＦＮＮ的输入节点及其对应的输入隶属函数,从而实现动态确定ＦＮＮ的结构,大大减少了对初始学习本本数目的要求,提出了ＦＮＮ学习算法在实时控制中的适应能力,仿真结果表明,这一算法很好地实现了对超出初始学习样本范围的其他样本的学习。     

利用BP神经网络对大直径SHPB杆弥散效应的修正研究

通过找出其隐式函数关系,误差反向传播神经网络可以实现输入和输出间的任意映射.采用BP神经网络和瞬态有限元计算,确定了大直径SHPB杆弥散效应的隐式传递函数,对弥散效应进行了修正,讨论了网络隐层的神经元个数对网络映射的影响.     

基于高斯过程的点匹配方法

针对点匹配问题,在已知两个点集对应关系的情况下,通过高斯过程回归计算两个点集的空间几何变换模型.首先,给定高斯过程的协方差函数,通过对训练样本的学习计算协方差函数中的未知参数,得到后验的高斯过程.然后,根据后验的高斯过程预测测试样本的目标值,完成函数映射.该方法在空间几何变换模型的非线性映射能力与问题求解复杂度之间折衷,是一个基于训练样本的自动学习过程.仿真结果表明:该方法具有较好的非线性映射能力,并且只需较少的运算时间.