基于聚类的神经网络及其在预测中的应用

提出了一种基于聚类的神经网络算法，可以很好解决大样本情况引起的网络结构复杂、收敛性和泛化能力差等神经网络的固有问题．算法采用聚类算法为分类器，进行模式空间分解，以分类后的模式子空间为各样本集合，用神经网络集学习，最后根据重力模型计算检测样本对各样本子集的隶属度，整合各子空间的输出结果．通过实验对比表明该算法精度较高，容错性好．     

基于遗传算法的 ART2 神经网络数据集优化

为了提高小样本集情况下自适应谐振(ART)神经网络聚类的可靠性,提出了基于遗传算法的ART2神经网络训练集优化算法,克服了ART1神经网络编码的稳定性尚未完全解决和只能接受二进制模式的缺陷.利用遗传算法的全局寻优能力,通过对训练样本集添加适当的边界样本点,并将边界样本点和原样本集有机结合,以提高ART2神经网络的泛化性能.对ART2神经网络聚类算法的适当变更,以适应样本集的变化情况,并避免ART神经网络在不同训练阶段产生不同的聚类结果.实验证明,采用本算法后,ART2神经网络的聚类准确度可提高30%.     

结合聚类的半监督分类方法

针对传统有监督分类方法卷积神经网络(CNN)在有标签样本数较少时正确率偏低的缺点,提出一种结合聚类的半监督分类方法。该方法利用传统无监督聚类方法 K-means对卷积神经网络提取到的样本特征进行聚类并标记,扩充有标签样本数量,使得最终训练得到的卷积神经网络能够更好地进行分类。利用该方法在MNIST手写数据集上进行三组实验,实验结果显示,与K-means和卷积神经网络相比,本方法整体结构简单,便于实现,具有较高的分类准确率。     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

手写数字识别中组合式神经网络的构建方法

将聚类技术和遗传算法相结合, 提出一种基于相似度传播算法和遗传算法的神经网络集成方法应用于手写数字识别问题. 先分别利用主成分分析和Fisher线性判别分析对数据集进行特征提取, 得到两类特征数据集, 再利用Bagging方法分别为这两类特征数据集训练简单的BP神经网络, 然后采用相似度传播算法对这些BP神经网络进行聚类, 找到作为类簇中心的网络(中心网络), 最后利用遗传算法对所有中心网络的权值进行训练, 将中心网络进行加权线性集成作为最终分类器. 在标准手写数字数据集MNIST上进行测试的实验结果表明, 该方法的识别率优于单个神经网络的识别率, 并兼顾了分类效率.     

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.     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

基于BP和SOM神经网络相结合的地震预测研究

地震预测由于其产生原因的复杂性,一直是世界公认的难题.本文提出一种将多层前馈神经网络(BP网络)和自组织特征映射神经网络(SOM网络)相结合的方法并应用到地震震级的预测中,首先利用自组织特征映射神经网络对地震的原始数据进行聚类预处理,使具有内在规律的样本点集中在一起,之后利用BP神经网络对样本数据进行学习和预测,结果表明,相比直接利用BP神经网络预测结果,增加SOM聚类处理过程能有效的减小预测误差.说明此方法可以有效的汇总出与地震关系密切的因素,也表明SOM对相关震级参数分类的有效性,对利用模糊预测方法来实现震级的预测是一种有效的辅助手段.     

基于样本优化的神经网络方法在储层裂缝识别中的应用

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高。为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系。在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类。最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测。将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法。     

面向有序对象的分类与样件设计新方法

根据样本分类与样件设计的需要,提出了一种面向有序对象的分类与样件设设计新方法(OCD方法-Ordered-object　oriented　classification and design for sample workpiece method)。该方法借鉴了神经网络理论、模糊聚类算法和自适应模式识别法的优点,自动完成样本的分类与样件设计工作。简要叙述了OCD方法的产生背景,详细讨论了该方法的基本原理、工作步骤和主要特点。     

浅谈烟叶实物标样的原料挑选

根据笔者对制作烟叶实物标样的体会,在阐明制作烟叶实物标样重要性的基础上,重点分析了西昌市烟叶实物标样制作过程中烟叶原料挑选出现的突出问题,并根据当地生产实际情况,提出挑选烟叶实物标样原料并提高实物样品制作质量的几点措施。     

基于烟草中致香成分的人工神经网络分类模型

从烟叶化学成分和结合评吸结果确定的烟叶品质的关系入手,用遗传BP神经网络建立了基于烟草中致香物质含量的烟草模式识别模型.分析结果表明,使用该方法能全局优化基于烟草致香成分的神经网络结构,较之梯度下降法的神经网络的训练效率更高,得到的识别结果也更加准确.它可以作为一种新的判别烟草香味特征的识别手段.     

互感器故障诊断神经网络专家系统

基于神经网络专家系统的基本原理和利用神经网络的知识表达能够反映事物之模糊因果关系的特点，本文建立了一个用于高压电磁式互感器故障诊断的神经网络专家系统，提出了一种有效的推理方法，旨在全面、快速和准确地实现互感器的故障诊断，以提高互感器及电力系统运行的可靠性。图２，参８。     

利用人工神经网络判别陶瓷原料种类

利用三层 BP人工神经网络 ,对陶瓷原料进行模式识别 .以原料特征参数作为判别指标 ,由训练样本集得到最佳网络参数 ,然后对待测样本的种类进行预测 .研究结果表明 ,人工神经网络用于陶瓷原料的模式识别 ,其结果和实际一致 .该方法有助于配方中陶瓷原料的选择 ,值得推广     

基于神经网络的客车车身造型评价专家系统

阐述了利用人工神经网络(ANN)技术构建专家系统对客车车身造型进行评价的方法,从数据收集、图形的预处理、知识库的构建及神经网络模型的设计与训练等方面研究了准三维造型评价专家系统的关键技术问题.开发了客车造型评价专家系统软件,并通过实际客车造型任务,验证了所开发软件的有效性.     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

基于模糊神经网络的道路毁损程度评价方法

为深入研究道路毁损程度评价问题,将模糊理论与人工神经网络技术结合起来,提出了基于模糊神经网络的道路毁损程度评价方法。确定道路毁损程度评估的3个指标,并通过样本学习训练,获取评价专家的经验知识和直觉思维。将训练好的网络用于316国道震后某路段的毁损程度评估,并与已有评价方法的评估结果相比较。结果表明,采用模糊神经网络对道路毁损程度进行评估可降低评价过程中的人为因素影响,保证评价结果的客观性,提高评估效率。     

基于小样本数据的BP神经网络建模

针对小样本条件下BP(back propogation)神经网络存在预测精度不高的问题,将专家知识融入BP神经网络训练过程中解决此问题.首先BP神经网络通过遗传算法获得最优初始权值和阈值;其次对专家知识进行数学表达;最后通过增广拉格朗日乘子法将专家知识融入BP神经网络训练过程中.利用实际中的结晶动力学问题对所提方法进行...     

企业物资需求预测神经网络专家系统

分析了我国多品种中小批量机械加工企业物资需求的特点和构成,将人工神经网络和专家系统有机地结合起来,设计并开发了一个辅助企业物资需求预测的人工神经网络专家系统.给出了实际应用例子,并对预测结果进行了分析.     

多维特征空间中模式分类神经网络的一种设计方法

提出了一种在多维空间Ｒｎ中模式分类神经网络设计的新方法。可确定网络的拓扑结构，包括隐层、隐元个数及连接权系数。特别是由于二次阈值神经元的特例——超球面阈值神经元的使用，对特征空间Ｒｎ的分割比使用超平面阈值神经元时需利用Ｖｏｒｏｎｏｉ图进行凸区域分割简便的多。因而设计成的神经网络结构清楚直观。