一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .     

粗糙集理论在模糊神经网络中的应用研究

应用粗糙隶属度及粗糙神经0元对模糊神经网络进行讨论，得到了一种利用神经网络修正不完善粗糙规则的方法，以及一种粗糙模糊神经网络。以日本大阪湾的COD浓度为例，取得了良好的拟合及预测效果，从而具有广泛的应用前景。     

车辆单神经元模型参考自适应控制算法研究

针对智能车辆油门控制系统,提出了一种单神经元模型参考自适应控制算法.首先通过实验研究获得油门控制系统的传递函数,再以该函数获得的数学模型为依据设计了自回归滑动平均模型（NARMAX）神经网络,并对系统输出进行离线辨识和在线预测.采用免疫模糊思想改进二次型单神经元控制算法,构建基于NARMAX神经网络预测的模型参考自适应控制系统,定义了一种评价车辆纵向运动的目标函数,采用浮点遗传算法寻找各控制器的最优值.仿真结果表明,NAR-MAX神经网络可辨识和预测车辆油门系统的动力特性,与免疫模糊和二次型单神经元算法相比,单神经元模型参考自适应算法的阶跃响应速度显著提高.     

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。     

粗神经网络及其在股市预测中的应用

给出由粗神经元及一般神经元组成的前向粗神经网，用它预测上证指数，每个神经元是由一对神经元构成的，一般情形下，两个神经元用四边连接，而一个粗神经元和普通神经元用两边连接，给出了误差后向传播算法，分析与计算表明，粗神经网络用于股市预测是可行的，结果也较准确。     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

基于茎区的神经网络方法预测RNA二级结构

RNA二级结构预测是生物信息学的一个重要研究内容.作为预测方法之一的神经网络已被广泛应用于蛋白质结构预测,但在RNA二级结构的应用甚少.本文改进传统预测RNA二级结构的Hopfield神经网络.算法以茎作为网络神经元,通过与相似结构茎区的比对,初始化神经元,并据此修改网络的激励系数.实验把改进后算法与改进前2种算法、M...     

Matlab-NNTool在旋光实验中的应用

旋光实验中,采用BP神经网络模型进行蔗糖浓度定标.在Matlab6.5环境下,借助NNTool完成训练、测试.对未知浓度蔗糖溶液进行预测,将预测结果与最小二乘法拟合值作比较,并讨论了隐含层神经元个数对BP神经网络预测精度的影响.     

一种新的灰神经网络及其在海洋平台振动控制中应用

针对灰色理论预测精度比较低和神经网络结构很难确定等问题,首次提出一种基于新的效果测度的灰局势决策理论,并据其构造神经网络的拓扑结构,确定神经网络的各层神经元个数及神经元的输入输出运算.将灰神经网络作为自适应预测逆控制器用于导管架式海洋平台的振动主动控制中,数值仿真结果表明,构造的灰神经网络泛化能力强,提出的控制方法可有效地控制导管架式海洋平台顶部在随机外荷载作用下产生的位移响应.     

地连墙变形的神经网络多步预测研究

结合润扬长江公路大桥南汊北锚碇深基坑工程 ,提出并应用神经网络多步预测方法来研究地连墙施工变形的预测问题。系统介绍了基于时间窗口的神经网络多步滚动预测技术 ,并详细讨论了输入输出层的设计、隐层神经元数以及预测时间步长等一些基本预测技术问题。该预测方法应用于润扬长江公路大桥南汊北锚碇深基坑围护工程 ,取得了较好的工程效果。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于粗糙集和支持向量机的股指期货预测模型研究

本文提出基于粗糙集和支持向量机的股指期货走势预测模型。在模型中首先使用粗糙集对指标集进行特征选择,剔除冗余指标,然后使用支持向量机对基于历史数据的股指期货价格走势进行预测。为了评估该预测模型的性能,将预测结果与传统的自回归移动平均模型和BP神经网络模型的预测结果进行比较。实验结果表明了该模型的有效性。     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

一种粗糙模糊神经网络分类器及其应用

提出了一种粗糙模糊神经网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本建立决策表,进行决策表属性值离散化、属性约简和分类规则的提取;依据约简后决策表的属性、经模糊化处理的属性值及分类规则构造粗糙模糊神经网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化神经网络的结构,加快网络的训练速度。并详细介绍了该分类器用于汽车车牌字符识别的步骤和实验结果。     

一种新的粗神经网络及其在股市预测中的应用

提出了一种新的神经网络--推广的粗神经网络,并给出了将其用于上证指数预测的网络结构及学习算法。结果表明,该神经网络用于股市短期预测是可行的,结果也比较准确。     

企业财务危机预警模型研究

将主成分分析、粗糙集理论与径向基函数神经网络结合,引入反映企业现实财务状况的现金流量指标,使用粗糙集剔除冗余指标,通过主成分分析提取指标和降维,利用径向基函数神经网络作为判别企业财务状态的工具,构建上市公司财务危机预警模型,实证研究结果证明了该模型具有较高的建模精度和泛化能力。     

Intelligent Intrusion Detection System Model Using Rough Neural Network

A model of intelligent intrusion detection based on rough neural network (RNN), which combines the neural network and rough set, is presented. It works by capturing network packets to identify network intrusions or malicious attacks using RNN with sub-nets. The sub-net is constructed by detection-oriented signatures extracted using rough set theory to detect different intrusions. It is proved that RNN detection method has the merits of adaptive, high universality, high convergence speed, easy upgrading and management.     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型。从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性。此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果。     

基于RS-ANN的汽车发动机故障诊断分析

利用粗糙集理论对知识的约简能力及神经网络的分类能力,构建粗糙集-神经网络（RS-ANN）故障诊断组合模型;并将该模型应用于汽车发动机故障数据进行实例验证,该模型诊断速度快,故障诊断正确率高.     

基于模糊聚类的PSO-神经网络预测热连轧粗轧宽度

为了提高热连轧粗轧宽度的控制精度,以攀钢热轧板厂实测数据为基础,采用粒子群优化算法训练神经网络并将其用于热连轧粗轧宽度预报,通过模糊聚类分析方法进行数据分析,科学选取学习样本,解决了由于样本多、学习速度慢的问题.实测数据运算表明,这种方法可避免神经网络陷入局部极小,带钢粗轧宽度的预报精度控制在6 mm以内,并且训练速度也有很大程度的改善,神经网络结构也得到优化,具有很大的应用潜力.