基于云理论神经网络决策树的生成算法

提出了一种基于五层云神经网络的决策树生成方法.运用五层云神经网络学习变量间的云映射关系,从中生成云决策树.给出了神经网络的学习算法和云决策树的推理方法,这种方法不但具有神经网络的学习能力,而且结合云理论处理知识的不确定性的能力.该方法利用了五层云神经网络学习后的云映射强度,并能实现云决策树的剪枝优化,提高了算法的正确率.     

基于异质图神经网络的推荐算法研究

基于图神经网络的推荐算法通过从图中获取知识,提高了推荐的可解释性.然而随着推荐系统网络数据规模的不断扩大,用户-项目评分矩阵呈现出稀疏性问题,图神经网络难以学习到高质量的网络节点特征,导致推荐质量下降.本文将图神经网络与异质信息网络相结合,提出一种基于异质图神经网络的推荐算法.该算法使用异质信息网络对多源异质数据进行联合解码,将注意力机制引入用户-项目交互网络和用户社交网络的用户、项目聚合表示过程,从而实现用户-项目交互和用户社交两类网络间的节点及拓扑结构特征的有效融合.两个公开数据集上的对比实验结果表明,本文提出的算法在不断稀疏化的数据集上的推荐误差比基线方法少40％.     

基于确定学习的机器人故障诊断

针对存在扰动的机器人系统,提出了一种基于确定学习的故障诊断方法.基于确定学习理论,采用RBF神经网络获取正常模式和各种故障模式下的系统动态知识,并将学到的知识以常数神经网络权值的形式存储于模式库中.诊断过程不再需要重新训练神经网络,而是对已学知识的再利用,并运用动态模式识别的方法实现故障的快速检测与分离.仿真验证了所提方法的正确性和有效性.      

模糊神经网络观测器在变压器状态监控中的应用

把模糊集合理论与神经网络技术相结合设计模糊神经网络观测器，并对变压器运行状态进行动态监控。基于神经网络技术克服了模糊规则产生对专家的依赖性及模糊集的非自适应性的问题，隶属函数的自适应及模糊规则的自组织通过神经网络的自学习和竞争获得。该方法实现了变压器运行状态监控中模糊规则的自动确定和隶属函数的动态调节，通过实例分析验证了该方法的有效性和实用性。     

基于模糊神经网络的车牌图像识别方法

提出了一种基于模糊神经网络的方法对汽车车牌字符进行识别.该方法首先基于Rough Sets.思想获取初始规则和训练集,基于图像识别目标确定网络结构,通过神经网络的学习算法对网络进行优化.然后根据图像识别的模糊特性,利用模糊神经网络对汽车车牌进行精确的识别.实验结果证明该算法比常规识别算法识别率更高.     

BP神经网络的改进及其用于手写数字识别的研究

模式识别是神经网络最有前景的应用领域之一,本文主要讨论如何提高多层神经网络 BP(Back-propagation)算法的学习速度以及该算法用于手写数字识别的研究.文中提出了局部连接的网络结构,并对基于特征输入和基于点阵输入两种神经网络分类器的特点进行了比较,针对神经网络的识别机制、识别能力和自适应学习,进行了深入讨论.本文还给出容错能力的概念,用以描述神经网络对非学习样本的分类机制.所有研究工作是在作者研制的 SSNN 神经网络仿真软件上进行的.     

船舶避碰的自适应模糊专家系统研究

采用自适应模糊系统和神经网络方法,研究了基于模糊联想规则的避碰操纵知识表示,知识获取和自适应学习;建立了基于二值输入输出模糊联想系统的并行模糊推理机制,由此而建立的船舶避碰撞模糊专家系统具有自适应学习能力,能实现实时避碰导航。     

基于神经网络的摊铺机液压系统故障诊断方法

以摊铺机液压系统为研究对象,提出了基于神经网络的故障诊断模型。结合BP神经网络基本知识和摊铺机液压系统故障的特点,研究了诊断知识的获取方法,设计了摊铺机液压系统故障诊断网络的基本结构。通过与模糊理论相结合研究了输入输出特征向量表达和获取的具体方法,提高了故障诊断神经网络模型的实用性,并提出改进学习效率和动态BP算法可以提高故障诊断神经网络的性能。     

优化的竞争算法在语音识别中的应用

在传统的ＨＭＭ语音识别方法的基础上,提出了两种改进的竞争神经网络算法,分别用于语音识别的两个不同方面．首先提出了一种基于选择机制的新的竞争算法,这种算法可以有目的性地避免局部最优,而且可以克服模拟退火算法（ＳＡ）的随机性．然后,针对分类器的特性,对竞争算法进行改进,把安全拒识措施结合到竞争算法中,提出了一种新颖的神经网络——并行、自组织、层次神经网（ＰＳＨＮＮ）．实验结果表明,基于竞争神经网络算法的语音识别系统比传统的语音识别系统在识别能力和识别速度上都有明显提高,从而证明了与竞争神经网络算法结合的语音识别方法是可行的,而且具有良好的发展和应用前景．     

基于实例的工艺知识获取模型

介绍了耦合神经网络的工艺设计实例推理系统的实现方法论,提出了一种基于神经网络的工艺设计实例推理索引模型．与现存大多数实例推理系统不同,该方法用神经网络实现实例的动态分类和索引．实例层次分类的三层结构和基于特征的聚类模板概念,为实现基于符号处理的实例推理求解模式向基于神经计算的模式识别求解模式映射提供了条件．提出了基于实例的工艺知识获取模型,采用新实例的入库操作实现工艺知识的隐式获取,从而使知识获取得以简化．神经网络的自适应、自学习能力将减少系统的日常维护工作．基于实例的系统可望解决知识获取的难题．     

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...     

多输入模糊神经网络结构优化的快速算法

采用规则前件提取,以获得较少的高效规则,对模糊神经网络(Fuzzy Neural Network)进行结构优化,解决了在多输入模糊系统中因规则数多导致的结构庞大问题,使之适用于多输入模糊系统．结构学习中采用竞争算法优化隶属函数,保证规则前件提取的高效;参数学习中采用梯度下降法调整网络参数。     

氧乐果合成过程的PSO-回归BP网络建模方法

为了提高模型效率,更好地反映实际系统的动态特性,根据氧乐果合成过程特点确定了PSO-回归BP网络结构.采用惯性权重动态调整的粒子群算法进行初始寻优,并基于改进的BP算法对优化的网络权阈值进一步精确优化,建立了氧乐果合成过程的PSO-回归BP网络模型.仿真结果表明,所建模型误差小、收敛速度快、网络泛化能力强,能更好地反映实际对象特点.     

基于局部权重及阈值调整算法的BP网络预测模型研究

通过对基本BP算法的分析,提出了一种基于局部权重及阈值调整的改进BP算法.结合该改进算法,讨论了在Matlab中创建基于BP网络的交通运输需求预测模型并使用该模型进行预测的过程.同时,将基于局部权重及阈值调整的改进BP算法和加动量项的自适应学习率BP算法的模型的预测效果进行了比较,比较结果表明前者的预测效果优于后者.     

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.     

学习策略理论对生物学教学的启示

学习策略是学习者在学习活动中有效学习的规则、方法、技巧及调控方式，它既是内陷的规则系统，也是外显的操作程序与步骤，是制约学习效果的重要因素之一，生物学是一门典型的以陈述性知识为主的学科，根据这一特点，按学习的进程具体介绍了选择性注意、编码、调控这三个学习策略在生物学教学中的运用。     

BP网络的BP-G-S学习算法

为了解决ＢＰ网络在学习过程中存在收敛慢的缺点,文中将ＧａｕｓｓＳｅｉｄｅｌ 迭代法的基本思想与ＢＰ算法结合,将每一个最新修正的权值反映到下一个权值的修正中,提出了一种新的ＢＰＧＳ学习算法来加速ＢＰ网络的收敛。文章最后的计算机仿真说明ＢＰＧＳ总体上可以减少学习的时间,尤其当误差值逼近最小点时效果明显。     

基于AHP的贝叶斯网络故障诊断方法研究

针对基于专家知识的故障诊断方法依赖经验的局限,提出一种基于层次分析法（AHP）的贝叶斯网络化工过程故障诊断方法。通过基于关联函数的AHP得到所有变量的权值,对22个变量节点的权值进行排序并将该排序作为K2算法的学习输入建立贝叶斯网络模型,同时结合复杂网络分析指标进行化工过程的故障诊断。通过TE过程故障诊断实例证明本文方法不仅避免了K2算法专家知识的主观因素影响,同时能很好地进行故障定位,找到故障源。     

不可测过程参数的智能化软计算方法及应用

为解决控制系统中存在的时变过程数学建模困难,有些过程参数难以在线实时检测的问题,研究基于过程神经元网络的不可测过程参数软计算方法。分析正交基函数展开的学习算法收敛速度慢的问题,将BP网络的改进算法引入到过程神经元网络的训练中,增加基函数展开系数的规一化处理、权函数动量项调整项,以及学习率自适应调整方法,改进算法明显消除了误差收敛曲线振荡和网络收敛速度慢的问题。该方法在污水处理过程出水水质BOD预测中网络训练速度快,取得较好的预测结果,是一种不可测过程参数智能化软计算的有效方法。     

一种基于次元分析技术的鲁棒波束形成算法

针对实际应用中先验知识存在偏差的问题,基于权向量长度恒定的常规线性约束波束形成算法,提出一种权向量长度恒定的最差情况性能优化波束形成算法.分析了神经次元分析(MCA)学习规则与该波束形成优化问题在数学描述上的相似性,利用神经MCA学习规则实现鲁棒自适应波束形成.仿真结果表明,与基于线性约束的波束形成算法相比,该算法具有更强的信号跟踪能力和干扰抑制能力,并且对信号方向向量的偏差具有更强的鲁棒性.