模糊核超球感知器

提出了一种基于核化技术的模糊核超球感知器分类算法，该算法通过核化技术把样本数据映射到高雏特征空间，并利用超球感知器学习寻找高雏特征空间的决策超球，从而得到各类样本的决策函数．同时，样本测试中采用的模糊技术有效提高了算法的适应性．该算法学习规则简单，所得特征空间超球在样本空间的分布能很好地反映样本的数据结构，适用于不同类型数据结构样本的学习，并经大量试验显示了算法的有效性．     

一种基于模糊核超球感知器的模糊分类模型

本文提出一种模糊核超球感知器（FKHP）学习方法,并介绍了一种基于FKHP这种学习方法的模糊分类模型.模型构建的基本思想是首先选择适当的核函数,将训练模式从输入空间映射到高维特征空间;然后,在特征空间中,利用提出的模糊核超球感知器学习算法,为每一类训练模式找一个覆盖该类别的训练模式的超球;将每个超球,看作为一个模糊划分,以超球中心和半径为参数,定义超圆锥体的隶属函数,并为之建立一条IF-THEN分类规则;最后,以超球半径作为规则的调整参数,进行规则的优化调整.本文介绍了模型的结构、分类规则产生算法以及规则的调整策略.     

单层感知器在自适应均衡中的应用

本文研究了感知器在通信信道均衡中的应用。提出用单层感知器实现信道均衡,以均方对数似然函数为均衡器的性能指标函数,并给出一种新的自适应学习算法用于训练单层感知器的权系数。计算机仿真结果表明本文提出的算法比常用的线性均衡器LMS算法具有更好的收敛性能和均衡效果。     

基于感知器的和型Fuzzy合理选择研究

研究了单一选择函数的和型Ｆｕｚｚｙ实现的有关问题。将单一选择函数的和型Ｆｕｚｚｙ实现问题转化为由线性阈值元件组成的感知器模型。在假定有限社会状态结果集合的条件下，给出了单一选择函数是和型Ｆｕｚｚｙ可实现的一个充要条件，从而建立了选择问题与感知器模型的联系，此外还给出了单一选择函数是和型Ｆｕｚｚｙ可实现的一个几何描述。利用感知器学习算法规则给出了单一选择函数的和型Ｆｕｚｚｙ实现的具体算法并计算出实现结果。     

推广的感知器学习算法及其在模式识别中的应用

将感知器学习算法作了推广，将权向量和值的调整公式改为W(k 1)=W(k)-αW（k)Zk^TZk,其中α∈（1,2)，证明了这种算法的收敛性，且可用于凸册区域的识别中。     

一种适于非线性系统辨识的神经网络学习算法

提出基于卡尔曼滤波前向多层感知器快速学习算法，对此算法进行了详细的推证。仿真结果证实了这种神经网络结构用于非线性系统辨识的有效性，此算法收敛速度快、重复性好，且对存在观测噪声的输入输出能获得尽可能精确的辨识结果，从而提高了神经网络系统辨识的实用性。     

带递归的模糊感知器有限收敛性

模糊感知器的主要功能是通过权值的学习来判别样本所属的类别.对一种基于模糊逻辑运算的带递归的模糊感知器进行了研究,其网络结构类似于内部运算基于加法-乘法的传统感知器,并加入了动态递归项.设定网络的初始权值均为常数0,证明了若训练样本的输入向量维数为2,在样本模糊可分条件下,学习算法有限收敛,即有限步后权值的训练停止;若训练样本的输入向量维数大于2,在稍强的条件下,学习算法也有限收敛.     

一种适于非线性系统辨识的神经网络学习算法

提出基于卡尔曼滤波前向多层感知器快速学习算法，对此算法进行了详细的推证。仿真结果证实了这种神经网络结构用于非线性系统辨识的有效性。此算法收敛速度快、重复性好，且对存在观测噪声的输入输出能获得尽可能精确的辨识结果，从而提高了神经网络系统辨识的实用性。     

多元线性回归的一种神经计算实现及其优点

给出了用模糊感知器学习算法和(ε,δ)准则估计多元线性回归模型回归系数的详细算法,讨论了学习速率、ε和δ的设定;并与经典的回归系数估计方法最小二乘法作比较,发现总体拟合最好的特性对于含异常数据(noisydata)的情况反而会使预测值背离事实更远,而基于模糊感知器的学习算法实现线性回归具有编程简单、对数据无特殊要求而且对数据的容错性较高的优点,可用来实现数据挖掘所需要的预测和异常检测功能。     

一类神经网络多层感知器的硬件实现方法

提出了一种新的神经网络多层感知器硬件实现方法——信号传播路径动态选择．给出了隐节点个数的确定规则和网络的训练算法，并从理论上给予了证明．结果表明，该算法能一次确定权值，而且所确定的权值均为逻辑值，从而可以用逻辑门电路全硬件实现多层感知器     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

一种基于粒子群优化和核极限学习机的入侵检测算法

针对网络入侵检测准确率低、误报率高的问题,本文提出了一种基于粒子群优化和极限学习机的入侵检测算法。粒子群优化算法(PSO)是一种群智能算法,核极限学习机(KELM)是一种学习速度快、泛化能力强的经典核机器学习的方法,但是极限学习机对核函数及参数的选择直接影响它的分类性能。本文算法中利用粒子群算法优化核极限学习机的核参数,采用学习能力强且线性组合泛化能力强的全局性核函数,形成了多核极限学习机,可以有效提高单核极限学习机（ELM）分类器的性能。最后通过实验对算法性能做了对比分析,实验结果验证了本文算法的有效性。     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于核方法的半监督超图顶点分类算法分析

分类学习算法的研究是计算机科学的研究热点,超图上顶点的分类问题作为一般图顶点分类问题的推广,被广泛应用于各种计算模型。对基于核方法的半监督超图顶点分类算法进行理论分析,给出算法的收敛性分析和广义界估计值。     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

多核学习方法在分类中的应用研究

传统的核方法如支持向量机在迭代时间、推广能力和鲁棒性等方面不够理想。针对上述问题,给出了基于半无限线性规划(SILP)的多核学习算法,并将其应用在UCI机器学习数据库的二分类和多分类数据集中。该算法用列生成和块算法的方法,固定次优参数并确定工作集后求解优化问题,提高了算法的速度。实验表明,该算法的分类效果比传统支持向量机算法结果更优,具有更好的鲁棒性和普遍适用性。     

WKICA算法在多光谱遥感特征提取中的应用研究

多光谱遥感图像具有高度冗余、非线性化的特点。对其进行有效的特征提取是完成精确目标分类的前提。基于核方法强大的非线性映射能力,提出一种小波核独立成分分析WKICA算法。WKICA算法结合小波核函数近似正交,能够对复杂非线性信号进行逐步逼近的优势,有效提高了核独立成分分析KICA算法的求解精度。将其应用在多光谱遥感图像特征提取中,并对预处理条件下的图像采用不同的监督分类方法进行分类实验。实验结果表明,在WKICA算法预处理条件下,能够更有效的滤除图像噪声,相比较传统的特征提取算法,能够获取更加精确的图像分类效果。     

基于稀疏编码和多核学习的图像分类算法

提出了一种基于稀疏编码和多核学习的图像分类算法.首先从图像中提取Dense-SIFT（Dense Scale Invariant Feature Transform）和Dense-SURF（Dense Speeded Up Robust Feature）2种特征,使用稀疏编码对特征点进行处理,得到一系列高维向量,然后对这些高维向量应用max-pooling算法,将图像表示成单个向量.最后,使用改进的多核学习方法对这些向量进行分类,对于不同的特征,使用不同核的组合以达到最好的分类效果.实验结果表明,该算法作为词袋（BoW）模型的改进,能够提高分类准确率.
     

基于精简特征集和融合新特征的基因名识别

根据生物医学文本中基因名的特点，提出了一组新特征用于基因名的识别。利用精简的特征集，将提出的新特征融合进精简特征集中。应用GlobalLinear模型和感知机学习算法在BioCreativeⅡ数据集中对提出的方法进行了验证，结果表明，通过使用数量较少的、区分能力强的特征，仍能使系统达到较高的性能。当融合新特征时，系统的精确率和召回率也有一定的提高。