一种两阶段的神经网络属性选择方法

神经网络的输入属性选择一直是一个比较困难的问题.由于神经网络反复训练的时间复杂度,Wrap-per方法是不适用的,而单纯使用Filter方法也难以获得很好的分类精度.文中提出了一种两阶段的神经网络属性选择方法,以综合Filter和Wrapper两类方法的优势.该方法首先采用基于不一致率的遗传算法GFSIC来删除属性集合中的无关属性,然后采用基于敏感性度量的属性选择算法SBFCV来删除冗余和无用的属性.研究和实验结果表明,该方法可以有效地删除原始数据中的无关和冗余属性,增强神经网络的泛化能力.     

敏感性分析综述

介绍了敏感性分析的定义,列出了许多基于数理统计、神经网络和粗糙集知识的敏感性分析方法,并且尝试着对一些常用方法的优缺点进行分析. 结合敏感性分析的研究现状,对今后的研究工作提出了一些展望.     

B类Kadomtsev-Petviashvili非线性系统的弦方程和Virasoro约束

主要研究B类Kadomtsev-Petviashvili(BKP)非线性系统的弦方程以及弦方程加在该系统τ函数上的约束所形成的Lie代数.首先，通过对现有文献分析，发现BKP系统弦方程的定义会产生数学上的矛盾，因此在现有文献的基础上重新优化了BKP系统弦方程的定义.然后从此定义出发重新计算了弦方程的附加对称算子表达式，进一步算出弦方程约束在BKP系统波函数和τ函数上的表达式.由于p约化的约束需要去掉冗余变量，因此给出了弦方程加在p约化BKP系统的τ函数上所生成的无冗余变量的约束算子.最后，通过复杂的计算，低阶弦方程无冗余约束算子恰好能形成一个被广泛研究的经典无穷维Lie代数，即非负的Virasoro代数和W代数.其展现了BKP系统良好的代数结构，与现有经典结果相容.     

基于邻域粗糙集的连续值分布式数据属性约简

为了去除系统中的冗余属性,保持系统的分类能力,研究了连续值分布式数据的属性约简.给出了连续值分布式决策信息系统中邻域粗糙集的定义,讨论了分布式连续值决策信息系统中正域计算的可分解性.以保持分布式决策信息系统的正域不变为前提,探讨了分布式决策信息系统中属性的可约性,提出了分布式连续值决策信息系统的属性约简算法.为了验证该算法的有效性,在7份数据集上进行了3组实验.实验使用提出的算法对分布式数据进行属性约简,进而采用加权集成的方式进行分类测试.实验结果表明,该算法能够有效去除连续值分布式数据中的冗余属性,使得约简后的连续值分布式数据的集成分类能力与约简前相差不大.甚至更高.     

敏感性分析在数据挖掘中的应用

对敏感性分析方法及其在数据挖掘中的应用进行了分析研究,并在此基础上提出了将敏感性分析和神经网络模型相结合的方法应用于数据挖掘中的兴趣挖掘和利润挖掘中。最后给出应用该方法对兴趣和利润进行挖掘的执行步骤。研究结果表明,把敏感性分析应用于神经网络能够帮助我们在动态环境中识别对附属变量（如利润）有影响的敏感因素,从而指导决策制定。     

建筑投标价格指数神经网络方法及敏感性分析

将神经网络技术应用于建筑投标价格指数预测,提出了两种神经网络的变量敏感性分析方法,并用提出的方法分析了投标价格指数所涉及变量的敏感性．     

基于属性约简的加权朴素贝叶斯分类算法

朴素贝叶斯在处理分类问题上简单高效,通常它假设属性间是条件独立的,且各属性变量对类变量的影响程度是相同的,但在实际应用中这些都难以被满足,从而使得其分类性能降低.因此,提出基于属性约简的加权朴素贝叶斯分类算法,该算法首先根据各属性不同取值的分类能力及属性间的对称不确定性大小,去除了无关属性和冗余属性,使得筛选后的属性之间具有较低的关联度和较强的分类能力;然后再结合属性与类变量及属性间的相关性对各属性进行加权;最后对待判样本进行分类.经实验结果表明,该算法有效地提升了朴素贝叶斯的分类性能.     

一种不完备信息表的预处理方法

针对不完备信息表预处理问题中的不完备数据的填补问题、冗余属性的约简问题和连续属性的离散化问题进行了研究. 应用粗糙集理论,由相容信息表中条件属性与决策属性间的一致性对应关系,定义了划分区间的加法运算,解决了不完备数据填补问题;根据类别概念,定义了差别向量,利用差别向量加法运算删除了冗余属性;根据条件属性与决策属性之间的依赖关系及相对信息熵概念,实现了连续属性的离散化. 数值示例和实验结果显示此方法是有效可行的.     

基于粗糙集与BP神经网络的分布式数据挖掘算法

利用数据挖掘来提高网络中能量利用率是无线传感器网络(WSN)的一个重要研究方向.本文构建了基于粗糙集与神经网络相结合的无线传感器网络分布式数据挖掘算法.该算法用粗糙集对节点内的原始数据进行离散化与属性约简后得到的最简决策表训练BP神经网络,再将构造好的BP神经网络集成在每个传感器节点上.仿真结果表明,该算法可以降低数据维数,消除冗余数据、减少网络通信量、延长网络寿命.     

基于改进模糊k均值算法和神经网络算法的数据挖掘模型

为解决神经网络算法中样本数据包含大量与目标数据无关的属性而导致网络训练时间长、效率低的问题,提出基于改进模糊k均值(FKM)和BP神经网络算法的数据挖掘模型.利用改进的FKM聚类算法对输入数据的属性进行聚类,摈弃与目标属性相关性弱或冗余的属性,保留相关性强的属性,减少了神经网络的训练样本数据量,提高了网络的训练效率.对儿童血红蛋白含量的预测结果表明,该模型具有很好的实用性和可靠性.     

用神经元网络预测靶材与薄膜性能间的关系

用神经元网络的方法预测了溅射靶材、工艺参数与电阻薄膜性能之间的关系．经预测误差分析以及与实验比较，表明用７９组训练样本可基本准确预报电阻薄膜的性能．对各参数影响薄膜性能的程度也作了分析．     

基于BP神经网络模型的磨床部件动态灵敏度分析

利用ANSYS的APDL语言建立磨床部件的参数化模型，计算出磨床部件的动态特性，快速采用得到BP神经网络模型的学习样本，建立基于BP神经网络的动态分析模型，将磨床部件结构参数与其动态特性之间的关系反映为神经网络模型的网络输入与网络输出之间的数学关系，从而方便地，快速地对磨床部件进行了动态灵敏度分析，结果表明，在BP神经网络模型上进行磨床结构优化要比在有限元模型上方便，快速，该方法特别适用于对大型复杂结构的优化设计计算。     

结构可靠性灵敏度因子计算的一种方法

在分析传统的灵敏度因子计算方法的基础上,提出了一种新的灵敏度因子计算方法。它解决了传统定义中难于处理的确定性设计变量与随机变量混合和多模态失效问题分析,不仅适合于只有随机变量和只有确定性变量的情况,也适合于它们的混合情况。对典型实例的计算分析表明,新方法更能反映各因素对结构失效的影响,具有较大的理论和实践意义。     

偏最小二乘法与人工神经网络耦合的小流域产沙模型

针对小流域侵蚀产沙的复杂性,将偏最小二乘回归与人工神经网络耦合,建立了小流域降雨侵蚀产沙检验模型,并应用于小流域降雨侵蚀产沙预报.采用偏最小二乘法对多维自变量中的信息进行组合和提取,从而得到对因变量解释能力最强并可很好概括自变量信息的主成分,有效克服了变量之间的多重相关问题,实现了对高维数据的降维处理.把提取的主成分作为神经网络的输入,提高了网络的学习效率和稳健性.应用结果表明,偏最小二乘神经网络耦合模型的拟合和检验精度均优于偏最小二乘回归模型和人工神经网络模型精度.     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

考虑误差影响的力学参数反分析神经网络方法研究

通过求偏导技术将反分析的参数误差分别表示为模型误差与测量误差的函数，利用这些函数研究了模型误差与测量误差在力学参数反分析神经网络方法中的传递过程以及影响反分析结果的影响因素．研究结果说明：输入变量的选择严重影响力学参数反分析的精度，选取力学参数灵敏度大的测点位移作为神经网络的输入变量，可以减小模型误差与测量误差对反分析结果的影响．这对提高力学参数反分析的实用性与可信性有重要意义．     

模糊优选神经网络多目标决策理论

把笔者建立的模糊优选理论与神经网络理论结合起来，提出确定网络拓扑结构：隐含层数，隐含导节点数与节点激励函数的合理模式，提出模糊优选神经网络权重调整ＢＰ模型；且网络有良好的学习功能。神经元激励函数具有明确的物理意义。     

Distribution Inventory Cost Optimization Under Grey and Fuzzy Uncertainty

0 IntroductionThe bullwhipeffect makes many parameters of supplychainbecome more uncertain[1].The customer demand andre-plenishment lead ti me are i mportant uncertain parameters insupply chaininventory system[2 ,3]. However , many researchesabout inventory control have made strong assumptions takingthe uncertain factors as stochastic[3-6]or deterministic parame-ters[2].These assumptions may make the models less realistic.The stochastic programming and fuzzy programming areusual uncertain pro…