基于改进SVM的坑道毁伤仿真训练样本约简模型

针对坑道工程动荷段毁伤仿真科学实验训练样本中存在的相似样本和大量对分类器模型构造"无用"的冗余信息,提出了一种基于改进支持向量机的动荷段毁伤仿真实验训练样本约简方法。围绕约简任务和功能约束,设计坑道工程动荷段毁伤仿真实验训练样本约简分析机制,利用支持向量机结构风险最小化原则和非线性映射特性以及粒子群的快速全局优化特征,学习坑道工程动荷段毁伤仿真实验训练样本,快速建立训练样本的约简分类器,排除负类训练样本,为坑道动荷段毁伤评估提供优质的训练样本。算例表明,模型具有良好的收敛和精度。     

基于密度裁剪的SVM分类算法

针对SVM中当训练样本数非常多时,分类算法训练阶段的计算量庞大;当训练样本集中存在噪声时,影响训练阶段超平面划分的准确度,导致分类准确率降低等问题,提出了一种基于密度的训练样本裁剪的SVM算法。首先应用密度裁剪算法裁剪掉原始训练样本集中存在的噪声和冗余样本,作为新训练样本集,使用网格搜索算法在新的训练样本集中对SVM参数(C,g)寻优,进行SVM训练并建模,达到分类的目的。实验结果表明,该算法同无样本裁剪的SVM算法相比分类准确率有所提高、训练阶段的时间耗费大大降低。     

训练样本不足时雷达扩展目标检测方法

为了降低对训练样本的需求,针对雷达扩展目标检测问题,该文提出了降秩广义似然比检验(R-GLRT)检测器和降秩Wald(R-Wald)检测器。利用噪声子空间对应的特征矩阵代替采样协方差矩阵,降低了训练样本不足时小训练样本带来的估计误差。仿真结果表明,当训练样本不足时,所提出的降秩检测器能够提供较高的检测概率,且R-GLRT检测器具有比R-Wald检测器更高的检测概率;当训练样本充足时,与常规自适应检测器相比,2种降秩检测器也能够提供较高的检测概率。     

一种基于类间类内双权重图像分块PCA的人脸识别技术

提出一种将加权分块图像和主成分分析（PCA ）相结合的人脸识别方法。该方法首先根据同类训练样本的平均图像与所有训练样本平均图像的距离以及类内训练样本图像与该类平均图像的距离,分别定义类间和类内图像加权函数,以获得每个训练样本图像的权重;然后将训练样本图像分块,构建所有同位置加权分块图像空间;接着基于新的样本空间对所有同位置图像分别采用PCA方法提取特征;最后用最近邻分类器实现模式分类。实验结果显示该方法较普通M PCA方法有效提高了识别率。     

基于分水岭的图像分割训练样本的自动选择和标注

图像分割是图像理解、模式识别、计算机视觉等研究方向的一个重要研究内容。图像分割的方法有很多,将支持向量机(Support Vector Machine,SVM)应用于图像分割已是一种较为广泛的分割方法,但该方法大多采用人工方式来选取训练样本,降低了图像分割的自适应性,且有可能影响图像分割的质量,因此基于支持向量机的图像分割方法的研究内容是如何自动选择足够多且分布良好的训练样本,并自动进行类别标注。文章提出一种基于分水岭的图像分割训练样本的自动选择和标注方法,分水岭分割区域的中心点可以看作支持向量机的训练样本,将选取的训练样本对照分割参考图中的像素点进行类别标记。然后对训练样本进行训练,其中选择图像的颜色特征和纹理特征作为训练样本的特征属性。文章采用的彩色图像来自Berkeley图像数据库以及互联网,从实验结果可以看出文中提出的方法可取得很好的分割结果。     

特征空间中的拓展稀疏人脸识别

基于稀疏表示分类（SRC,sparse representation for classification）是近年来模式识别领域中备受关注的一个研究热点。当每类训练样本较少时,SRC的识别效果往往不理想。为解决此问题,人们提出了拓展的稀疏表示分类算法。它引入了训练样本的类内变量矩阵,来补充每类训练样本信息。但是,该方法很难获取普遍存在于复杂数据如图像中的非线性信息。为此,提出了特征空间中的拓展稀疏人脸识别算法。该算法将样本集非线性映射到新的特征空间中,计算每个训练样本在表示测试样本时所做的贡献。根据贡献大小,给每个训练样本赋予一定的权重。同时,利用类内变量矩阵,共同表示测试样本。实验表明所提出的算法优于其它经典稀疏表示分类算法。     

基于密度的稀疏最小二乘支持向量机

针对最小二乘支持向量机对训练样本内噪声比较敏感和其稀疏性差的问题,提出基于密度k-近邻向量的训练样本裁剪算法。对训练样本的各个样本类进行聚类,删除噪声数据,提高支持向量机的训练精度。通过计算出每个样本类的平均相似度和平均密度,得到样本的类相似度阈值;根据相似度阈值,将小于类相似度阈值的样本进行合并,减少训练样本总数。实验结果表明,该算法在保证训练精度的情况下,减少了支持向量数目。     

宽带光谱成像系统最优训练样本选择方法研究

为解决现有标准色卡或颜色样本集因数量大、存在严重颜色冗余而导致的光谱成像工作繁重的问题,提出一种基于宽带光谱成像系统光谱重建误差最小化的最优训练样本选择方法.通过现有颜色样本集中最有效样本的选择,实现宽带光谱成像系统训练样本的优化.研究通过伪逆方法进行光谱重建,以光谱均方根误差作为评价依据,从颜色样本集中逐步挑选训练样本,实现每次迭代所确定训练样本对样本集重建光谱误差的最小化.实验结果表明,在选择相同数量训练样本条件下,本研究方法所构建训练样本的光谱和色度精度明显优于现有方法.      

Kohonen网络与BP网络的集成应用研究

本文介绍了Kohonen神经网络对输入数据进行聚类方法在卷烟配方中的应用，提出了从核心样本动态搜索BP网络训练样本的新探索，摒弃了过去BP算法中训练样本固定不变，互不相交的方法，实现了BP网络和Kohonen网络动态无缝集成。     

基于遗传算法的形声输入法训练样本生成研究与实现

在用户利用输入法练习软件学习时,输入法练习软件使用的训练样本设计是否合理,是影响学习好坏的重要因素。讨论以形声编码输入法练习软件训练样本生成作为研究对象,根据用户设定的训练目标,通过遗传算法生成符合训练要求的最优训练样本,来满足用户训练要求。     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

一种串—并行混合结构的神经网络模型

针对复杂的模式识别问题,提出了一种串—并行混合结构的多种神经网络模型,首先用ART网络对训练集中的样本进行粗分类,以减小训练集的样本规模,然后用多个BP网络对小训练集进行训练。     

神经网络中的正交设计法研究

提出用正交设计法选择前馈型神经网络训练样本的方法,并且对其基本原理进行了探讨。文中以三层BP网络为例,根据特定位级的正交表获取相应的训练样本集,利用该训练样本集对网络训练,然后用经过训练的网络对各取值域作离散预测。详细的对比计算表明：1）将正交设计法应用于神经网络学习训练样本的选取上是成功有效的;（2）选用四位级或五位级的正交表来对网络样本做选择精度已经足够。另外,将网络隐层神经元个数对网络的影响与选用正交表不同位级对网络的影响的效果也作了比较。     

基于改进的Wasserstein生成对抗网络和深度残差网络的电缆中间接头局部放电缺陷识别

随着“碳达峰、碳中和”目标的明确,我国已有较多风光电场使用铝电缆作为直埋输电电缆,来实现成本的降低和清洁能源的利用。由于铝电缆接头PRPD谱图样本数量有限,导致了训练模式识别的网络识别准确率低、泛化能力差等问题,本文通过设计三种电缆接头典型缺陷,搭建局部放电实验平台,运用改进的Wasserstein生成对抗网络训练样本数据,借以生成更多新的图像数据,进而将生成样本和原始样本同时投入深度残差网络训练,该方法识别准确率达97.82%。与数据扩充前后不同层数深度残差网络和普通卷积神经网络训练的准确率进行比较,证明了该方法能够有效提升基于小样本条件下的识别准确率,对实际工程具有一定指导意义。     

一种优化 BP 神经网络训练样本的方法

BP神经网络训练样本的选取对网络的泛化能力有较大的影响,特别,怎样从高维大样本数据中选取合适训练样本是一个难点。本文运用因子分析法对大样本数据进行预处理,再利用分析所得的公因子进行聚类分析,这样既可以降低指标的维数,也可以减少样本的数量。实验证明,该方法简化了网络结构、加快了网络的收敛速度,对提高网络的泛化能力有一定的帮助。     

ROSTA算法收敛性的研究

研究并讨论了学习样本的排列次序对连续函数映射网络性能的影响，提出了样本次序重组的规则，据此规则实现了ＲＯＳＴＡ算法并将其用于语音信号的声、韵母分割和通信网非话业务信号的识别研究，取得了较为理想的结果．     

一种图像分类中基于元学习的渐进式原型网络技术研究

分析了一种基于元学习的渐进式原形网络,只需要少量的图像样本,就可以完成模型的训练工作,并能快速识别新任务,具有极强的泛化能力.采用的渐进式训练策略,提升了模型的训练效率,降低了训练时间.     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

一种基于多分类器协同训练的网络异常检测方法

基于机器学习的网络异常检测方法是入侵检测领域的重要研究内容.传统的机器学习方法需要大量的已标记样本对分类器进行训练,然而已标记样本通常较难获取,导致分类器训练困难;此外单分类器训练面临难以消除的分类偏向性和检测孔洞.针对上述问题,本文提出了一种基于多分类器协同训练的异常检测方法MCAD,该方法利用少量的已标记样本和大量的未标记样本对多个分类器进行协同训练,以减少分类的偏向性和检测孔洞.对比实验采用经典的网络异常检测数据集KDD CUP99对MCAD的异常检测性能进行验证。实验结果表明,MCAD有效地降低了检测器训练代价,提高了网络异常检测性能.     

燃煤循环流化床锅炉模型化的人工神经网络方法

采用多层前向型神经网络，对燃煤循环流化床锅炉模型化进行了研究。以机理数学模型产生的数据样本对神经网络进行训练，结果表明，训练后的神经网络不仅可以精确地再现机理数学模型现有计算结果，而且可以比较精确地和机理模型一样对锅炉的性能进行预测。由于神经网络模型预测时间极短，并且可以不断随着新的数据样本进行自适应学习，从而为循环流化床锅炉的模型化及其实时应用（如实时训练仿真器、模型预测控制等）提供一个有效的新途径。