基于UKF的自组织模糊神经网络训练算法

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点,针对这一问题,提出了基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的自组织模糊神经网络的训练算法。分析了模糊神经网络的非线性动力系统表示,并用递推最小二乘法（recursive least square, RLS）和UKF分别学习线性和非线性的参数,给出了模糊规则生成的准则和参数更新的策略;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则。通过典型的函数逼近和系统辨识实例,表明所提算法得到的模糊神经网络的结构更为紧凑,泛化性能更佳。     

煤气管道服役期预估神经网络模型的建立与应用

神经网络模型具备的针对大量无规则数据自学习的能力,适于解决城镇煤气管道布局复杂、影响因素众多、服役期限难以计算的问题。基于BP神经网络算法建立的煤气管道年限模型,经过训练对比,选择了最优的BP网络模型,结合共轭梯度法,改进了该算法收敛慢、易出现震荡的问题,实现了对城镇管道漏损的定量分析,结合某市煤气管道漏损的实际案例验证其可行性,满足预估管道服役期限的工程要求。     

基于关键点的无模拉拔变形区特征提取与重构算法

无模拉拔过程中,变形区的形状与各工艺参数之间存在着复杂的相互关系。变形区的表示对变形区形状的预测以及智能控制具有重要意义。根据变形区的形状特点,提出了一种基于关键点的无模拉拔变形区形状特征提取和重构算法,有效地实现了高维变形区形状信息的降维和重构映射,与神经网络结合,为建立无模拉拔变形区形状模型提供了一种新的方法。     

一种综合评价指标属性值规一量化技术新途径

对现有的评价指标属性值规一量化技术进行了论述 ,运用模式识别、人工神经网络聚类理论结合模糊集值统计理论 ,提出了评价指标属性值规一量化技术新途径 ,奠定了评价指标属性值规一量化技术智能化的基础 .     

主生产计划日报的神经网络监控

本文将生产计划作为动态系统,采用BP网建立了主生产计划的神经网络模型,依据梯度算法建立了优化器,对主生产计划日报的调度进行了研究,并以某公司为实际背景进行了仿真实验.     

基于小波网络的非线性组合预测方法研究

提出了一种基于小波网络的非线性组合预测新方法,以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足,并给出了相应的学习算法求解小波函数线性组合的尺度和时延参数以及神经网络权值。理论分析和大量的应用实例表明：本方法具有很强的泛化能力与自适应数据和函数变化的能力,在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统的组合建模和预测方面有较高的应用价值。     

基于神经网络威胁判断模型

将神经网络理论应用于防空指挥控制系统中 ,研究了威胁判断模型 ,实例表明该方法是可行的 .     

前馈神经网络泛化性能力的系统分析

通过对多层前馈网络的运行机制的系统分析 ,指出影响前馈网络泛化能力的根本原因是训练网络用的样本 ,包括样本质量、样本数量和样本代表性三个方面 .针对复杂系统给出了一种提高前馈网络泛化能力的途径 ,并通过对仿真算例的计算验证了得出的结论 .     

基于BP-AsymBoost的医疗诊断模型

本文主要研究BP神经网络以及AdaBoost算法在医疗诊断中的应用,在分析标准AdaBoost算法的基础上提出改进的AdaBoost算法,即BP-AsymBoost.针对UCI数据库中的威斯康星乳腺癌数据集设计结合BP网络以及改进后的AdaBoost算法的诊断模型,并且通过多个指标将其与BP模型,遗传算法优化的BP模型,未经改进的BP-AdaBoost模型进行比较,验证BP-AsymBoost模型的有效性.     

INTELLIGENT SECURITY SYSTEMS ENGINEERING FOR MODELING FIRE CRITICAL INCIDENTS： TOWARDS SUSTAINABLE SECURITY

An intelligent security systems engineering approach is used to analyze fire and explosive critical incidents, a growing concern in urban communities. A feed-forward back-propagation neural network models the damages arising from these critical incidents. The overall goal is to promote fire safety and sustainable security. The intelligent security systems engineering prediction model uses a fully connected multilayer neural network and considers a number of factors related to the fire or explosive incident including the type of property affected, the time of day, and the ignition source. The network was trained on a large number of critical incident records reported in Toronto, Canada between 2000 and 2006. Our intelligent security systems engineering approach can help emergency responders by improving critical incident analysis, sustainable security, and fire risk management.