基于决策树的神经网络规则抽取方法

将从神经网络中抽取一个可理解的模型视为一个归纳学习任务 ,其中 ,目标概念就是神经网络表达的功能 ,所生成的可理解模型是一个能很好近似神经网络的决策树 .在这个过程中 ,应用了决策树归纳学习的优化原则 ,使得生成的决策树能最简洁、准确地描述神经网络学到的知识 .实验证明 ,生成的决策树可以很好地近似神经网络 ,且比用传统方法生成的决策树具有更好的分类精度 ,同时NNtoDT算法也保持了具有较好的通用性和可扩充性的特性 .     

基于粒子群优化的网络安全态势要素获取

针对网络安全态势感知中态势要素获取困难问题,给出一种基于粒子群优化的网络安全态势要素获取模型.在获取模型中,引入模糊技术对输入的历史态势要素集进行模糊化预处理后,转化为模糊逻辑规则,映射到神经网络层与层之间,以提高神经网络的学习能力.利用粒子群优化算法优化神经网络的连接权以提高神经网络的学习精度和速度.仿真实验结果表明,该模型是一种有效可行的态势要素提取技术,并具有较好的泛化能力.     

基于决策树构造神经网络的方法及应用

基于知识的神经网络KBNN(Knowledge-Based Neural Network)在提高神经计算性能方面效果显著,其构造方法基于已得的规则.利用决策树对数值数据的分割能力和神经网络准确的逼近收敛能力,提出了一种利用C4.5决策树从数据中自动提取规则生成神经网络的构造方法.该方法易于构造、收敛速度快、精度较高,在高速公路路面破损智能识别系统中使用效果良好.     

一种改进的决策规则生成算法

将神经网络集成与C4.5Rule方法相结合,提出了一种改进的决策规则生成算法.该算法以神经网络集成作为C4.5Rule学习的前端,利用其产生用于C4.5Rule学习的数据集,在此基础上进行决策规则的生成.在UCI机器学习数据库上的实验结果表明,该算法可以产生泛化能力较强的决策规则.     

基于粗糙集-神经网络故障诊断技术的研究

提出了一种基于粗糙集-神经网络故障诊断新方法,该方法利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则.该规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度.通过对一个电力电子电路进行实验,实验结果表明,该方法可以有效地减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,在故障诊断中有良好的应用前景.     

自动生成多层神经网络的算法及其在编码中的应用

本文提出了一种多层神经网络自动生成的新算法。对给定的问题,它能够在学习中动态生成一个多层网络,并确定网络的连接方式。通过采用模拟退火的方法,加快了学习的速度。该算法能随时按要求生成神经网络编、译码器,便于处理等长码和变长码问题,还能进行误码纠正,适合于保密通信的需要。     

一种基于粗糙集构造决策树的改进算法

基于变精度粗糙集模型,对文献[3]提出的生成决策树方法进行改进,把变精度加权平均粗糙度作为属性选择标准,提出一种构造决策树新算法.新算法用变精度近似精度来代替近似精度,能有效地克服噪声数据在构造决策树过程中对刻画精度的影响,使生成的决策树复杂性降低,泛化能力更强.     

基于光流约束自编码器的动作识别

为了改进特征学习在提取目标运动方向及运动幅度等方面的能力,提高动作识别精度,提出一种基于光流约束自编码器的动作特征学习算法.该算法是一种基于单层正则化自编码器的无监督特征学习算法,使用神经网络重构视频像素并将对应的运动光流作为正则化项.该神经网络在学习动作外观信息的同时能够编码物体的运动信息,生成联合编码动作特征.在多个标准动作数据集上的实验结果表明,光流约束自编码器能有效提取目标的运动部分,增加动作特征的判别能力,在相同的动作识别框架下该算法超越了经典的单层动作特征学习算法.     

基于神经网络动态预测软土路基沉降的研究

人工神经网络具有较强的非线性映射能力和学习能力,通过改进神经网络的BP算法,提高了BP算法的学习收敛速度和网络性能的稳定性.基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法.此方法利用实测资料直接建模,避免了传统方法计算过程中各种人为因素的干扰,所建立的模型预测精度高、预测的沉降量误差小.     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.