基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.     

基于PCANN的BP神经网络话者识别系统

本文利用主分量神经网络分析法(PCANN)和反向传播神经网络,提出了一种具有较强自适应性和较高识别率的说话人识别方法.在此算法过程中,主分量分析法主要是对语音信号的原始特征作分析以得到更好的特征参数;BP神经网络则是作为一个分类器对说话人进行分类.文章将主分量分析与BP神经网络相结合,提高了识别的正确率,增强了系统抗噪声能力,减少了训练时间和计算量,同时简化了网络结构.     

基于BP神经网络的C波段无线电信号分类识别

使用主成分分析法,对C波段无线电信号进行特征提取,使用BP神经网络模型作为其智能分类器.从BP神经网络的设计结构入手,在网络初始化权值的选择、网络隐含层数及隐含层结点数确定多个方面进行研究,以提高分类器的分类性能.     

基于稳定学习的图神经网络模型

图神经网络(GNN)在对图样本进行分类工作时效果差强人意,无法发现数据背后真实的功能网络.为提高图神经网络在图分类上的稳定性,提出一种基于稳定学习的图神经网络模型(Stable-GNN).该模型将基于随机傅里叶特征的样本加权采样干预技术与图神经网络结合,尝试在神经网络训练过程中,剔除虚假因果特征,提高模型在图样本分类上的稳定性.实验结果表明,该方法能有效发现真实的关联网络,提高图网络的稳定性.     

基于卷积脉冲神经网络的故障诊断方法研究

深度学习为轴承故障诊断的智能化发展提供了新思路。本文从类脑计算角度出发，设计一种对轴承数据敏感的脉冲神经网络来完成故障数据分类任务。首先采用信号分解的方式提高原始信号特征提取效果，然后对故障信号进行脉冲编码，并采用多分量混合输入方式填充时间步作为神经网络的输入，最后采用卷积脉冲神经网络(SCNN)进行故障分类。为了验证该模型的分类效果，采用西储大学轴承数据集进行验证，分类准确率达到了99.78%。结果表明该轴承数据编码方案可以充分发挥脉冲神经网络时空动力学特征，且该脉冲神经网络模型在轴承故障诊断问题上具有高精度、高效率的特性。本研究有利于促进脉冲神经网络在故障诊断领域的研究和应用。     

LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。     

一种基于组合神经网络的数据分类方法

为了克服单一Kohonen网络和BP网络用于数据挖掘的缺点,提出了一种基于Kohonen和BP组合神经网络的数据分类方法,并给出了该分类方法的基本思想和算法描述.电力变压器故障诊断的仿真实验结果表明,利用该分类方法可以提高数据分类的精确性.     

基于神经网络的超声无损检测缺陷定征方法的研究

针对超声无损检测中缺陷分类难、分类结果可靠性差等问题，给出了一种以神经网络为基础的缺陷特征分类方法。利用Ｆｉｓｈｅｒ线性判别方法对表征缺陷特征的时域信号的波形参数进行了选择，并将这些参数作为神经网络的输入矢量对网络进行训练，用该网络对缺陷特征进行了识别，结果表明：神经网络的识别率远大于传统的贝叶斯分类方法。     

非平稳信号的时变自回归建模及其在轴承故障诊断中的应用

基于时变自回归（TVAR）方法实现了非平稳随机信号的参数化建模,提出采用最小信息准则确定模型阶数．通过多分量线性调频仿真信号的时变谱估计,表明该方法分辨率高,没有交叉项的干扰,计算速度快．在仿真分析的基础上,应用参数化时频谱和BP神经网络方法进行滚动轴承故障信号的分类和辨识,并基于能量法对时频图进行特征提取．分析结果表明,时变自回归方法的拟合精度高,能有效提取轴承故障信号特征,同时结合神经网络能对故障进行准确诊断．     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

基于神经网络调制信号识别技术的发展

信号调制样式的自动识别是软件无线电必备的功能之一,基于人工神经网络的识别方法因其较其他方法具有更好的性能受到广泛关注。分析了基于神经网络调制信号识别技术的基本原理,将目前研究的调制信号识别分为基于多层感知器神经网络的调制信号识别和基于径向基函数神经网络的调制信号识别,提出了神经网络调制信号识别技术进一步的研究方向。     

基于卷积神经网络的宽带合作频谱感知

利用认知无线电网络中的多个次用户所能提供的大量频谱观测数据,提出一种基于卷积神经网络(convolutional neural network, CNN)的宽带合作频谱感知方案。宽带频谱感知旨在灵活地检测跟踪目标宽带授权频段上的可供使用的频谱空穴,该方案考虑利用宽带频谱上被占用的子带与未被占用的子带之间在信号能量及占用位置方面所体现出的类别差异,通过设计一种CNN模型并基于此对频谱观测数据进行训练学习,得到频带占用模式分类模型,从而实现宽带合作频谱感知。仿真结果证明,与传统的基于能量检测技术和典型机器学习(machine learning, ML)分类算法的宽带合作频谱感知方案相比,该方案在检测性能上具有较大的优势,特别是在低信噪比环境下的检测性能。     

基于PCA-BLS的逆变器故障诊断

为了确保电气设备的安全可靠运行,提出基于主成分分析法与宽度学习系统的逆变器故障诊断方法.利用主成分分析法对逆变器输出的电流信号进行处理,提取信号特征;构建宽度学习系统,并编写不同故障模式下的故障编码;利用不同故障模式下的信号特征对宽度学习系统进行训练,利用网络输出编码实现故障分类.仿真结果表明,该研究方法在诊断准确率及...     

一种基于深度学习的中文文本特征提取与分类方法

提出了一种基于卷积循环神经网络的文本特征提取方法,同时对比使用统计学中的TF-IDF以及Word2vec方法的文本特征表示,将提取的特征分别放入SVM与随机森林分类器中对来源于中国知网的中文学术论文数据集进行分类。实验结果表明,使用卷积神经网络和卷积循环神经网络特征提取模型提取的特征所取得的分类效果比TF-IDF、Word2vec特征提取方法得到的分类效果更好,同时使用SVM和随机森林分类器取得的分类效果略好于原生的神经网络。     

ART1神经网络在隧道围岩分类中的应用

将自适应共振理论(ART)神经网络模型用于隧道围岩分类,改进了ART1神经网络的工作过程,通过自适应的学习记忆过程,建立了分类模型,有效地避免了人为主观因素的干扰.利用川藏公路二郎山隧道围岩分类样本对模型进行检验,结果表明,ART1神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法.     

基于小波神经网络的邮件分类算法研究

小波神经网络模型是将小波理论和神经网络结合起来的一种模型.通过对邮件分类问题的分析,采用由伸缩和平移因子决定的小波基函数代替传统的神经元激励函数的小波神经网络的方法,建立了相应的邮件分类的小波神经网络模型.该模型克服了传统BP神经网络参数不足、隐含层单元数目难以确定、收敛速度较慢等缺点.应用结果表明,该算法在邮件分类中能有效减少平均绝对误差,提高查准率,为邮件分类算法研究提供了一种新的方法.     

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点,能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征,而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来,卷积神经网络经过科研人员的探索和尝试,从最开始的多层神经网络模型,演变出多种优化结构,性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展,叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法,并对各个模型进行分析,展示各种方法在ImageNet公共数据集上的性能表现,最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。     

基于神经网络的非侵入式电机故障检测方法

为了克服传统电机故障检测方法的准确率低、测量过程为侵入式、严重依赖先验知识的缺点,提出了一种基于卷积神经网络的非侵入式电机故障检测方法.通过将电机与其他设备共同工作时的总电源信号作为检测样本,实现检测过程的非侵入式,并基于残差优化卷积网络结构进行神经网络训练,最终实现电机超载、单相短路及相间短路故障的非侵入式检测与分类...     

多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。     

改进的小波神经网络模型在电力故障信号识别中的应用

研究了小波神经网络用于信号分类识别的模型结构,建立了非显式小波网络的学习算法,给出了一种改进的小波经网络模型,并把该模型应用于电力系统故障信号识别,提高了信号分类识别的精度。