自底向上粗集神经网络建模方法

提出了一种基于自底向上方式构造模糊粗糙数据模型并实现粗集神经网络建模的方法,该方法通过自适应G-K聚类算法,实现输入论域空间的模糊划分,在基于聚类数和约简属性搜索的基础上,提取优化的模糊粗糙数据模型,在此基础上融合神经网络实现粗集神经网络建模.对Brodatz纹理图像的实验表明,该方法性能优于传统的贝叶斯和LVQ方法,和传统的粗逻辑神经网络RLNN相比,该方法建立的神经网络结构精简,收敛速度快,具有更强的泛化能力.     

基于神经网络的乳腺癌早期辅助诊断分析

利用威斯康星乳腺癌数据集对乳腺癌智能辅助诊断开展了深入的研究和分析,给出了一种基于神经网络的乳腺癌辅助诊断分析方法.首先对数据进行归一化预处理,然后基于Tensorflow深度学习框架搭建了神经网络模型并进行辅助诊断模型的训练和评估,并进一步采用交叉验证方法对模型稳定性进行了验证,与其他传统机器方法进行对比分析.实验结果表明,给出的方法对于乳腺癌辅助诊断具有较高的准确率和良好的稳定性,为乳腺癌诊断精度的提升提供了智能化方法,对乳腺癌的临床诊断和治疗具有重要的现实意义.     

基于粗集的决策规则生成算法应用研究

在粗集理论的基本概念及知识表达系统定义的基础上,利用粗集方法进行决策分析,并以粗集理论在成绩决策中的应用为例,给出了基于粗集的决策规则生成算法.     

一种基于Kohonen和最小风险贝叶斯决策的雷达信号识别方法

鉴于有监督的Kohonen神经网络在雷达信号识别方面的不足,将S-Kohonen神经网络和最小风险贝叶斯决策相结合,提出了一种加强的S-Kohonen-Bayes方法对雷达信号进行分类,并利用Adaboost强分类器设计对识别结果进行修正.人工仿真实验结果表明,错误率平均降低了36%,改进方法具有良好的识别能力,使用最小风险贝叶斯决策进行修正是有效和必要的.     

变精度单向S-粗集

提出基于副集的单向S-粗集,变精度单向S-粗集;给出基于副集的单向S-粗集,变精度单向S-粗集的数学结构,变精度单向S-粗集的存在背景和意义解释.变精度单向S-粗集是对单向S-粗集理论的完善和发展.     

基于S-粗集理论的交通控制器的设计与仿真

综合车辆密度和平均速度二者的信息,引入了阻塞参数,提出了一种基于S-粗集理论的变相位交通信号控制方法,利用粗集理论的知识推理,把粗糙集理论融入常规的模糊推理,减少了控制器的输入量,降低了控制器的设计难度,实现了城市交通的粗模糊控制.     

油气田勘探开发风险评价方法及应用研究

在油气田勘探开发风险因素进行识别的基础上，建立了用于油气田勘探开发模糊风险评价的神经网络模型，并对秦家屯油气田勘探开发风险进行了实证分析研究与评价。     

基于神经网络算法的频谱分析

提出一种信号频谱分析的神经网络方法,研究了神经网络算法的收敛性,给出了频谱分析的应用实例.研究结果表明,该频谱分析方法不涉及复数的乘法运算和加法运算,计算精度高,便于软件和硬件实现,特别适合于DSP软硬件实现,因而是一种有效的信号频谱分析方法.     

变精度广义双向s-粗集模型

本文通过对基于双向s-粗集和一般二元关系R所提出的广义双向s-粗集的分析,提出了变精度广义双向s-粗集,定义了广义双向s-粗集中的多数包含关系,借助引入误差参数α（0≤α〈0．5）,给出了变精度广义s-粗集模型及其有关性质定理．通过实例分析并验证了动态系统中由于属性集合的动态迁移特性与变精度参数变化所产生的广义s-粗集的上、下近似,边界和分类近似精度的变化关系．     

关于卷积神经网络损失函数的改进算法

经典的卷积神经网络模型损失函数在设计时只考虑输出与标签之间的比较,没有涉及到图片之间的差异.为了提高卷积神经网络模型提取特征的差异,提出了基于Triplet network模型约束的卷积神经网络模型,这种方法提高了卷积神经网络提取有效特征的能力,减少数据集数量对于模型的影响.在MNIST数据集和cifar-10数据集上进行实验,提出的新模型在这2个数据集上比经典的卷积神经网络模型识别效果更好.     

具有区间数的粗糙神经网络故障认定方法

针对具有区间数的信息系统．提出用粗糙神经网络求解其问题的方法．给出了粗糙神经网络的拓朴结构和学习算法以及粗糙神经网络的逼近定理．最后以歼击机的操纵面故障认定为例，构造了歼击机故障认定的粗糙神经网络．并通过仿真说明了方法的可行性和有效性．     

基于相近关系的粗糙因子神经网络的模式识别方法

针对经典粗糙集理论中的不可分辨关系对连续属性值中噪声数据缺乏容错性的情况,提出一种基于个体属性值距离的相近关系,定义了相近关系下的粗糙集理论的基本概念.在相近关系的基础上,提出了衡量粗糙隶属度的方法,研究了该隶属度函数的性质,利用该函数作为粗糙因子设计了粗糙因子神经网络,可减小噪声污染的影响,并使网络的收敛速度得到提高.最后,通过对某型歼击机操纵面故障的模式识别的仿真研究验证了文中方法的正确性和有效性.     

基于模糊粗糙神经网络的交通流研究

交通流预测是实现道路交通科学管理的重要内容,文章概述了模糊粗糙神经网络的基本原理,通过模糊粗糙隶属函数建立了基于模糊粗糙神经网络的交通流控制模型,设计了两级协调模糊控制器,结合模糊控制理论和神经网络各自的优点,构造了模糊粗糙神经网络.通过实践结果证明,该算法精度高,学习速度快,适应能力强,对实时交通流预测有一定的指导意义.     

基于粗糙集神经网络的铁路滚动轴承故障诊断

神经网络技术在故障诊断应用非常广泛,但仍存在需要改进的缺陷;粗糙集理论具有处理不完整和冗余样本数据的优点;用粗糙集优化的神经网络能有效克服其缺陷、提高故障诊断的可靠性,通过对铁路滚动轴承故障诊断的实际应用与分析验证了优化神经网络的正确性和良好的应用前景.     

有跳风险的信用价差简化模型

假定即时利差过程存在跳风险并与无风险的即时利率相关,建立了两因素信用价差简化模型.利用随机分析和偏微分方程的方法,讨论了违约债券的信用价差和违约概率的期限结构,并应用数值算例分析了期限结构的变动规律.结果表明该模型能较好地拟合实际.     

砂土液化判别最优BP神经网络模型

利用BP网络模型在解决砂土液化评价这类非线性问题方面的优势,选取不同的参数组合,建立不同的砂土液化判别BP神经网络模型,并根据现场实测资料进行比较分析.结果表明,以地震烈度、标准贯入点深度、地下水位深度、标贯击数、不均匀系数及地震剪应力比作为输入节点的砂土液化判别BP神经网络模型最为合理.     

基于混沌的模拟电路故障诊断方法

针对模拟电路故障诊断的神经网络方法中,网络易陷入局部极小、收敛速度慢等缺点,网络结构、权值难以确定等难题,提出一种利用混沌优化神经网络的模拟电路故障诊断新方法.该方法中,将混沌变量引入神经网络结构的优化搜索,使得神经网络的隐层节点数以及所有权参数处于混沌状态中,从而整个网络结构呈现为动态变化.然后从动态的神经网络结构中,根据性能指标来寻找一个全局最优或近似于全局最优的网络结构.最后利用优化的神经网络对模拟电路进行故障定位.利用该方法对模拟电路进行实例仿真,结果表明该算法可以有效、可靠地运用于模拟电路故障诊断中.     

神经网络的函数逼近性分析

结合国内外最新研究成果，详细论述了人工神经网络及模糊神经网络对函数的逼近能力，从而为神经网络函数逼近性在智能化控制方面的应用提供了理论依据。     

基于特征提取的调制识别方法研究

基于特征提取的调制识别是通过分析信号在时域、频域或其他变换域的差异来提取信号的特征并对信号进行识别分类.针对调制信号载有信息的特点,从信号的瞬变信息、缓变信息以及提取方式等方面对特征提取方法进行研究,并对一些经典的信号特征以及基于时频分析的特征进行了分析,最后研究了两种分类器(神经网络和基于支持向量机)在基于特征提取的调制识别领域的应用.     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法（empirical mode decomposition,EMD）优化非线性自回归（nonlinear auto regressive,NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.