基于动态分类算法的入侵检测系统

为了使分类方法适合网络入侵检测系统在线、实时的特点,根据自适应谐振理论提出了基于联想和竞争学习的动态分类算法。算法采用改进的胜者全得方法训练神经网络,通过估算类别数目方法优化初始系数。该算法能防止分类时丢弃特殊模式,并能对未知类别数量的数据动态进行分类,实验采用相同的数据集训练自适应谐振理论网络和动态分类网络。结果证明,动态分类算法具有良好的收敛性和模式分类能力。将该算法应用于入侵检测系统的网络行为智能学习,其误报率仅为10%左右。     

割集矩阵在早期不交化FTA中的应用

根据故障树早期不交化方法,提出利用割集矩阵运算导出早期不交化的故障树分析新算法,并用Ｃ＋＋语言开发了基于Ｗｉｎｄｏｗｓ的ＦＴＡ应用软件。实例证明新算法运算速度快,软件可靠,能有效降低ＦＴＡ的“ＮＰ”困难,为ＦＴＡ技术在机械系统故障树分析方面提供了一种新的方法。     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

一种自适应的Web信息抽取规则自动生成方法

提出一种自适应的Web信息抽取规则自动生成方法,通过多样本页面对比模式和单样本重复模式提取Web上复合类型的数据并进行迭代修正,基于语义分析的规则方法进行动态抽取。实验结果表明,该方法具有较好的精确性和鲁棒性。     

基于Retinex的亮度-梯度协同引导色调映射算法

针对梯度域色调映射方法在图像主观显示性能方面存在的不足,利用人类视觉系统的感知能力和梯度域方法,提出一种基于Retinex理论的亮度-梯度协同引导色调映射算法.首先,提出作用域感知的自适应归一化方法,针对不同作用域算法构造归一化映射;然后,引入Retinex亮度引导项对背景亮度进行估计,并基于梯度引导项对图像进行动态范围压缩;最后,将亮度、梯度引导项联合进行统一建模,用指数平均局部方差权重抑制光晕.实验结果表明,该算法在动态范围压缩的同时抑制了过饱和与伪影现象,具有良好的视觉效果和鲁棒性.     

基于变伸缩因子的模糊自适应船舶航向控制

针对船舶航向控制系统中固有的非线性和模型不确定性,提出一种基于变伸缩因子的模糊自适应控制方法.该控制方法基于Norbbin非线性船舶运动模型,采用Lyapunov稳定性理论确保闭环系统的稳定性,结合投影算法设计参数自适应律,能够以精简的模糊规则实现较高的控制性能.仿真结果验证了该控制方法的有效性和优越性.     

非平稳信号处理中的LMS自适应滤波器研究

分析了时域及变换域LMS自适应滤波器的设计,提出了一种基于分数阶Fourier域的LMS自适应滤波算法,并推导了基于离散分数阶Fourier变换的计算方法.     

一种基于模糊化决策树的分类算法

提出了一种基于模糊化决策树的自适应分类算法.介绍基于决策树的分类算法,指出训练样本分布不均匀或树剪枝操作都可能引起分类规则的不完全,导致分类出现"盲区".引入决策树的模糊化方法及分支(规则)激活度的概念,给出一种新的自适应分类算法.并用实例分析表明,该算法不仅解决了分类规则不完全的问题,而且也提高了决策树分类的精度及分类结果的可解释性.     

基于自适应蚁群算法的分布式分类规则挖掘算法

基于分布式数据挖掘技术,提出了一种基于自适应蚁群算法的分布式分类规则算法。该算法采用了不同的启发式函数及信息素改变方法,引入了自适应机制与变异策略,从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

一种自适应快速关联规则挖掘算法

提出一种从大型数据库中挖掘关联规则的快速算法——自适应快速关联规则提取算法。该算法以经典的Apriori算法及其他各种优化算法为基础，引入了自适应步长和扫描树的概念，并采用修剪法对Apriori算法进行了改进。理论分析与实验结果表明，该算法比Apriori算法的应用效率高，同时也证实了其有效性。     

基于模糊 ART-2 的神经网络火灾探测系统

提出将ＡＲＴ－２神经网络与模糊系统串联而成的模糊ＡＲＴ－２神经网络系统并用于火灾探测，使其对火灾信号具有很好的聚类特性．实验结果表明，该系统比ＢＰ神经网络火灾探测系统具有更强的适应环境的能力，能够更快、更准确地探测各种标准试验火并具有很强的抗干扰能力．     

Study on Applying Hybrid Machine Learning into Family Apparel Expenditure

Hybrid Machine Learning （HML） is a kind of advanced algorithm in the field of intelligent information process. It combines the induced learning based-on decision-making tree with the blocking neural network. And it provides a useful intelligent knowledge-based data mining technique. Its core algorithm is ID3 and Field Theory based ART （FTART）. The paper introduces the principals of hybrid machine learning firstly, and then applies it into analyzing family apparel expenditures and their influencing factors systematically. Finally, compared with those from the traditional statistic methods, the results from HML is more friendly and easily to be understood. Besides, the forecasting by HML is more correct than by the traditional ways.     

应用于数据聚类的ART2改进算法研究

聚类分析是数据挖掘研究领域中一个非常重要的研究课题，是数据挖掘的主要任务之一．自适应谐振神经网络ART2是实现数据聚类的有效方法，通过对ART2结构的改进，充分考虑挖掘对象的幅度信息．可降低对警戒参数设置的要求并形成带有层次结构的聚类结果．通过实验验证了这种改进的有效性．     

Fuzzy ARTMAP neural network for seafloor classification from multibeam sonar data

This paper presents a seafloor classification method of multibeam sonar data, based on the use of Adaptive Resonance Theory （ART） neural networks. A general ART-based neural network, Fuzzy ARTMAP, has been proposed for seafloor classification of multibeam sonar data. An evolutionary strategy was used to generate new training samples near the cluster boundaries of the neural network, therefore the weights can be revised and refined by supervised learning. The proposed method resolves the training problem for Fuzzy ARTMAP neural networks, which are applied to seafloor classification of multibeam sonar data when there are less than adequate ground-troth samples. The results were synthetically analyzed in comparison with the standard Fuzzy ARTMAP network and a conventional Bayesian classifier. The conclusion can be drawn that Fuzzy ARTMAP neural networks combining with GA algorithms can be alternative powerful tools for seafloor classification of multibeam sonar data.     

基于多传感器的移动机器人对感知环境的识别

提出一和中用于移动机器人对当前感知一半空间进行识别和分类的新方法。     

神经网络自适应共振理论应用于心电图QT间期自动检测的研究

介绍一种利用改进的ART(自适应共振理论 )人工神经网络检测心电图QT间期的方法 .用经过训练的ART网络对心电波形进行分类和识别 ,较准确的测出T波终点位置 ,从而提高QT间期检测的正确率 .该算法在一定程度上模拟了心电专家手工测量QT间期的过程 ,用于检测包括MIT心律失常数据库 (MIT/BIHArrhythmiaDatabase)在内的共近千个心跳波形 ,并以两位心电手工测量结果作为标准数据进行对比 .对比结果显示 ,我们的算法对单路心电波形自动检测的准确度与通常手工测量具有可比性 ,充分体现了人工神经网络的优越性 ,在要求自动检测大量数据的场合具有显著的应用价值 .     

用改进的ART模型实现智能数据库系统

在传统的离散ＡＲＴ模型基础上，提出了一种新的神经网络模型，并用该模型实现了一种大容量智能数据库管理系统，该系统能按信息的内容实现存贮，且能进行智能检索（联想）。     

基于特征加权的神经网络集成及其应用

泛化能力是机器学习关注的基本问题之一.特征加权是特征选择的更一般情况,它能更加细致地区分特征对结果影响的程度,往往能够获得比特征选择更好的或者至少相等的性能,已经成为普遍的提高学习器的泛化能力的方法之一.该文提出一种基于特征加权的神经网络集成方法FWEART,该方法通过自适应遗传算法的优胜劣汰机制为输入属性确定了特征权值,提高了集成中各个体Category ART网络的精度和差异度,从而提高了神经网络集成的泛化能力.在UCI标准数据集上验证了有效性后,FWEART被应用在地震序列类型预报上,取得了较好的预报效果.     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

基于神经元网络的不确定性规则的获取

讨论了不确定性规则的知识系统同神经元网络相结合的问题;提出了适合处理不确定性规则的负梯度学习算法,使不确定性规则能方便地转换成神经元网络的权矩阵;研究了如何利用神经元网络的生成能力来获取新的不确定性规则,使知识系统具有知识自动获取能力,并使原有规则系统的脆弱性得以改善.