一种基于组合神经网络的数据分类方法

为了克服单一Kohonen网络和BP网络用于数据挖掘的缺点,提出了一种基于Kohonen和BP组合神经网络的数据分类方法,并给出了该分类方法的基本思想和算法描述.电力变压器故障诊断的仿真实验结果表明,利用该分类方法可以提高数据分类的精确性.     

基于正则约束的分层仿射图神经网络文本分类模型

文本分类是自然语言处理中一个重要的研究课题。近年来,图神经网络（graph neural network,GNN）在这一典型任务中取得了良好的效果。目前基于图结构的文本分类方法存在边噪声和节点噪声干扰、缺乏文本层次信息和位置信息等问题。为了解决这些问题,提出了一种基于正则约束的分层仿射图神经网络文本分类模型Text-HARC,该模型融合了图注意力网络（graph attention network,GAT）与门控图神经网络（gated graph neural network,GGNN）,引入正则约束过滤节点与边噪声,分别使用仿射模块与相对位置编码补充词语表示。通过实验,该方法在TREC、SST1、SST2、R8四个基准数据集上的准确率提升明显,消融实验结果也验证了该方法的有效性。     

基于粗糙集与BP神经网络的数据挖掘分类模型

利用粗糙集理论对原始数据进行特征选择,约简冗余属性,从而减小BP网络的输入维数.该模型可以在不同的简化层次上给出相对满意的决策,适用于信息不完备情况下的推理和决策研究.     

基于构造型神经网络的分类算法

提出一种基于构造型神经网络的最大密度覆盖分类算法,以便更加有效地解决模式识别的问题.首先,引入一个密度估计函数,用该函数对样本数据进行聚类分析,找出同类样本中具有最大密度的样本数据点,然后,在特征空间里作超平面与球面相交,得到1个球面覆盖领域,从而将神经网络训练问题转化为点集覆盖问题.该算法的特点是直接对样本数据进行处理,有效地克服了传统神经网络训练时间长、学习复杂的问题,同时也考虑了神经网络规模的优化问题.计算机仿真实验结果证实了该算法的有效性.     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．     

基于小波神经网络的邮件分类算法研究

小波神经网络模型是将小波理论和神经网络结合起来的一种模型.通过对邮件分类问题的分析,采用由伸缩和平移因子决定的小波基函数代替传统的神经元激励函数的小波神经网络的方法,建立了相应的邮件分类的小波神经网络模型.该模型克服了传统BP神经网络参数不足、隐含层单元数目难以确定、收敛速度较慢等缺点.应用结果表明,该算法在邮件分类中能有效减少平均绝对误差,提高查准率,为邮件分类算法研究提供了一种新的方法.     

基于高维空间划分的神经网络分类学习模型

基于高维空间划分的原理，提出了一种非线性神经元CC模型和基于CC模型的神经网络的构造算法。从理论上证明基于CC模型的神经网络的容错性比MP网络要好，而且网络的隐层节点个数远远少于FP网络的隐层神经元个数，对于分类问题其计算复杂性仅为多项式（上界≤O(p^2),p为样本个数。该网络有明确的几何和物理意义，具有持续学习和噪声数据处理能力，适合大规模数据挖掘领域。     

基于Gabor卷积神经网络的图像分类算法研究

为了研究Gabor滤波器在卷积神经网络中的性能和特征提取能力,提出了模拟视觉神经元特性的Gabor卷积神经网络计算模型.利用符合视觉神经元感知特性的Gabor滤波器作为建议神经网络的卷积核,将Gabor滤波器与CNN相结合,从而构建Gabor卷积神经网络.实验采用3个公共图像数据集进行图像分类任务,验证GaborCon...     

基于改进型BP神经网络的音频多分类

音频信号作为多媒体信息的重要载体之一, 为满足人们对信息知识的获取提供了有效途径.为了提高音频分类的精度,提出一种将音频信号的梅尔频率倒谱系数(Mel frequency cepstrum coefficient,MFCC)参数作为特征向量,采用基于改进型传输函数的误差反向传播神经(back propagation, BP)网络模型对6种音频进行分类.实验证明,该方法在音频分类精度方面性能良好,改进的传输函数具有收敛速度快的优点.相对于传统BP算法,该方法不仅缩短了训练时间,而且进一步提高了分类精度,其分类准确率达到90%以上.     

基于神经网络进行数据挖掘的一种算法

本文对神经网络的数据挖掘方法进行了详细的研究,包括数据挖掘的工作流程、神经网络的基本概念和结构、实现的关键技术以及神经网络的应用,验证了算法的有效性和高效率性。     

一种基于人工神经网络的基本块重排方法

基于程序的控制流动信息和体系结构跳转代价模型,使用人工神经网络预测控制流边的执行概率,利用子结构分析技术开展基本块重排.程序的控制流边信息被选择作为神经网络的训练数据,这些信息包含了该边的静态特征和动态行为之间的联系.基于弹性反馈反向传播(RPROP)神经网络,在UniCore处理器上实现了采用子结构分析的基本块重排算...     

基于BP网络的有教师分类算法及应用

介绍BP神经网络的结构及相关算法,并通过实验比较不同情况下对BP神经网络的收敛速度与分类精度的影响。实验表明,合适的参数设置能提高BP神经网络算法的分类精度。     

分形与神经网络方法在卫星数字图像分类中的应用

根据卫星数字图像特点,引入了分形方法来描述纹理结构特征,利用离散分形布朗运动(DFBM)统计模型来抽取卫星图像纹理结构特征。在此基础上,采用神经网络方法将纹理结构特征与地物光谱特征相结合,进行卫星图像分类。试验结果表明,该分法分类效果优于单纯采用光谱特征分类的最大似然法。     

一种用于快速分类问题的神经网络学习算法

对传统的ＢＰ算法进行了改进,提出了基于二阶导数的ＢＰ算法,大大减少了样本训练的迭代次数,从而提高了网络运算速度．对异或问题和蜢虫分类问题的计算,取得了满意的效果．     

基于过程神经网络的步态模式自动分类

为克服步态辨识中特征向量法存在的步态特征难于提取、计算量大和算法复杂等局限,提出一种基于过程神经网络的步态模式自动分类综合方案.为感知人体步态,在测试者下肢安装加速度传感器来采集步行过程中的时序运动学信息.采用巴特沃斯滤波处理并将其拟合为时变函数直接输入到过程神经网络,利用其对任意连续泛函的逼近能力来实现对不同步态模式...     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

基于脉冲耦合神经网络的QoS路由算法

介绍了QoS需求下路由选择的特点和神经网络在QoS路由领域的应用,分析了脉冲耦合神经网络(PCNNs)模型,在此基础上提出了一种支持QoS路由的PCNNs改进模型,并对基于此模型的QoS路由算法进行了描述和模拟.模拟结果显示:通过自衍波在神经网络中的传递可以寻找到源节点和目的节点之间满足QoS需求、代价最小的路径.     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法.最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率.     

一种前馈网络的新型混合算法

提出了一种针对前馈神经网络的混合算法,该算法将最速下降法与共轭梯度法相结合,有效地改善了传统BP算法收敛速度慢、可能陷入局部极小等缺点。两个仿真结果表明,该算法是有效的。     

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。