基于函数连接型神经网络的非线性滤波

提出了一种基于函数连接型神经网络(FLNN)的非线性滤波解决方案,比较了线性滤波器和FLNN神经网络在非线性滤波中的性能差异。应用MATLAB针对伴有随机噪声的信号进行了仿真滤波试验,证明了该理论的可行性。     

油藏系统函数型连接神经网络辨识方法

为实现油田生产管理和决策的现代化,使地层参数估值具有全局最优性,在研究油井井底压力分布的描述和有关地层参数辨识问题的基础上,提出了一种由二阶学习算法与GA(Genetic A lgorithm)构成的新型混合遗传算法,并给出一种新型神经网络。该网络把级数中的函数看成非线性神经元,建立油藏系统的函数型连接人工神经网络模型。由系统辨识理论中的F检验法确定网络模型的结构参数n,用二阶学习算法和新型GA交替辨识网络模型的权系数v和地层参数θ。应用表明,采用上述方法建模精度高,模型的平均相对误差在1%以内,并能求出地层参数的全局最优估值。     

基于神经网络的发动机故障诊断分类器设计

建立了类间与类内距离之比作为特征提取中的可分判据,设计了分类器的拓扑结构,采用动量梯度下降法作为分类器的训练算法.结果表明,该分类器能够满足工程实际的需要.     

一个神经网络分类器的构造

提出了一个构造径向基函数神经网络分类器的有效方法,利用快速聚类和统计的方法确定网络中间层及中间层到输出层间的权值,把构造的分类器用于手写体数字的分类实验,取得了比较好的结果。     

基于模糊神经网络分类器的精馏塔温度控制器设计

文章对精馏塔温度控制中所遇到的参数耦合严重、非线性高、数学模型难以建立的问题,提出了一个基于模糊神经网络分类器的控制方案,以精馏塔温度、流量、液位作为输入,导热油阀门开度作为输出,通过对人工操作的自适应学习和模糊化处理,实现对精馏塔温度的智能控制。实验结果表明,该方案能够模仿人工操作,智能学习的精度很高。     

神经网络分类器动态集成方法

提出一种神经网络分类器的动态集成方法.基于bootstrapping构建不同的个体神经网络,针对混合属性,通过不同的加权最近邻设计评估单个网络的分类精度,在此基础上动态选择误差率较小的神经网络,经过投票形成集成分类结果.将该方法与其它几种集成方法在10个UCI数据集上进行了分类性能比较.实验结果表明,该方法在上述所有数据集上的平均分类精度最佳,同时发现,Bagging比隐层神经元数法能更好地生成个体网络,而将两者结合起来训练个体神经网络,并不能明显提高集成性能.     

基于径向基函数神经网络农田害虫分类器设计研究

为改变我国植物保护行业中的害虫测报依赖人工识别计数、效率低下的现状，本文将图像识别等技术应用于农田害虫的自动检测系统当中．提取了害虫图像的十多个原始特征，并压缩成7维送入模糊分类器进行了分类识别。实验结果表明：该系统能够对农田中危害严重的十类害虫进行较好的分类。     

基于人工神经网络的人脸识别分类器设计

为了提高人脸识别系统的自适应性,采用BP神经网络对抽取出的人脸特征进行识别。对人工神经网络、BP网络应用于人脸识别的过程做了简要介绍。并通过仿真实验加以验证。     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

基于遗传算法的神经网络分类器优化设计

依据神经网络分类器的设计原理，设计了一种有效的遗传算法，实验结果表明：算法优化后的神经网络分类器不但学习速度快，还能保证分类精度．     

基于函数链神经网络的传感器建模

现代测控系统对传感器的精度和工作条件提出了很高的要求.为此,人们不得不采取一些中间补偿和修正措施,实现抗干扰、线性化,以提高传感器和系统的性能.讨论基于函数链神经网络(FLNN)的传感器建模新方法,其精度提高,结构简单、使用灵活、建模容易,易于实时硬件实现.两个算例说明网络的训练和非线性逼近方法,显示出网络的自适应能力、学习能力,基于FLNN的传感器模型可同时实现温度补偿和非线性校正.实际上,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化,在测控系统中具有良好的应用前景.     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

连续学习分类系统研究

学习分类系统(LCS)是一个动态感应环境的模拟认知系统,它利用环境反馈评估种群中的分类规则并通过遗传算法对种群进行进化．当环境输入包含连续属性时,经典LCS无法遍历整个状态空间．提出一种新的基于神经网络的连续学习分类系统,并通过实验验证了这种连续学习分类系统能够较准确地进行连续属性离散化,从而提高系统分类精度．     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

线性与非线性输出单元相结合的神经网络

从神经网络的连接方式着手，扩展从隐含层到输出层的连接，提出了一种新的神经网络连接结构，在此基础上推导出了相应的学习算法．并通过对奇偶问题、非线性函数逼近问题、模式分类问题等的仿真，验证了所提出方法的有效性．实验结果表明，通过适当地调整线性输出与非线性输出的比例，所提出的算法具有训练速度快和正确识别率高的双重优点．     

基于粒子群优化的设备状态分类器设计

以某设备中的减速箱为研究对象,建立了BP神经网络,采用粒子群优化算法训练神经网络,设计一个状态分类器,用于检测减速箱的当前状态。结果表明,基于粒子群优化的神经网络具有良好的训练性能,能快速地收敛于最优解;样本输出结果较理想值误差较小,分类器的识别结果完全符合实际情况。该分类器可以有效准确地识别减速箱的运行状态,为进一步故障检测提供了有效工具。     

基于最小分类错误训练的神经网络分类器设计

提出了一种基于最小分类错误（MCE）训练的采用多层感知器（MLP）结构的模式分类器设计方法。这是一种以分类错误率最小化为目标的模式分类器设计方法，将它用于MLP分类器设计能够进一步提高分类器的性能。采用MLP实现MCE训练中的分类损失计算，从而将MCE训练过程与MLP分类器设计统一在一个神经网络结构中，通过BP算法予以实现。这不仅能达到提高MLP分类器性能的目的，而且简化了它的设计过程。     

改进的BP神经网络在高速公路自动收费系统中的应用研究

介绍了一种高速公路自动收费系统,该系统在图像预处理和特征提取的基础上利用改进的BP神经网络设计了神经网络分类器,提高了车辆的识别精度与识别速度,较好地实现了不停车收费,在现代交通管理和监控中有着广阔的应用前景.