视觉核感知器

将Mercer核思想和视觉理论相结合，提出了视觉核感知器算法(VKP)。相对于单纯的核感知器，视觉核感知器能更有效地解决了学习的收敛性问题。同时也有效地提高了核感知器学习的精度。大量的实验结果表明了本算法的有效性和某些情况下的优越性。     

基于并行感知器的制冷系统故障诊断分析

选择热力参数集组成反映制冷系统故障状态的特征向量,提出一种并行感知器神经网络,通过模式分类来尝试联系系统故障状态与热力参数特征向量之间的映射关系.对故障模拟实验结果的应用表明,基于并行感知器网络的诊断方法可行且有效,为开发以人工神经网络为框架的制冷系统故障诊断系统提供了研究基础.     

一种基于非线性独立元分析(NICA)的化工过程监控方法

针对实际工业过程数据中的非线性问题,研究了一种基于非线性独立元分析的多变量过程监控方法。该方法根据贝叶斯原理,构造多层感知器网络恢复过程数据,并以此建立过程的数学统计模型,对其进行实时监控。在大型工业设备仿真器TE上的应用表明了该方法的有效性,同时,在故障诊断方面也体现出了一定的优越性。     

多层感知器信用评价模型研究

建立多层感知器(MLP)神经网络信用评价模型，用来对我国2000年96家上市公司进行信用评级。按照各上市公司的经营状况分为“好”、“中”、“差”三类，每一类由32家上市公司构成数据样本。对于每一家上市公司，主要考虑其经营状况的四个主要财务指标：每股收益，每股净资产，净资产收益率和每股现金流量，所有数据都来自于2000年上市公司年报。对于MLP网络结构，隐层结点的个数是采用试验的方法来确定的。先从1个开始，然后逐个逐个地增加，一直增加到不能再改善网络性能为止。仿真结果表明，多层感知器信用评价模型分类的准确率达到79．17％。此外，还详细给出MLP网络模型的学习算法和步骤。     

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。     

时变信道下基于LSTM的信道估计方法

针对时变信道环境下传统信道估计方法性能受限,其他基于深度学习的信道估计方法估计精度低或复杂度高的问题,提出一种基于长短期记忆结构的信道估计网络,由双向长短期记忆(bidirectional long short-term memory, BiLSTM)网络和多层感知器(multilayer perceptron, MLP)网络组成,即BiLSTM-MLP.首先,利用BiLSTM网络来学习信道的时变特性;然后,利用MLP网络进行去噪并重构信道估计.仿真结果表明,所提出的信道估计方法与传统方法相比,性能提升明显,与同类型的基于深度学习的估计方法相比,复杂度较低且性能更优.此外,所提方法还具有对不同导频密度的鲁棒性.     

层数对线性神经元感知机性能的影响

用神经元激活函数的线性模型，研究层数对感知器网络性的影响。结论是，层数Ｌ的选取应不大于神经元最多层神经元的个数；权初值的设影响算法步长的选取范围。     

线性化逐层优化MLP训练算法

提出了线性化逐层优化ＭＬＰ训练算法（ＬＯＬＬ）．ＬＯＬＬ采用循环方式逐层对ＭＬＰ的连接权值进行训练．训练连接权值时用一阶泰勒级数表示神经元的非线性激活函数以实现神经网络的线性化,使ＭＬＰ的训练问题转化为一个线性问题．同时,为保证神经网络线性化条件不被破坏,ＬＯＬＬ通过在神经网络的误差函数中计入部分线性化误差限制参数的改变幅度,对神经网络的误差函数进行了修正．实验结果显示,ＬＯＬＬ训练算法的速度比传统的ＢＰ算法快４倍,用它构成的语音信号非线性预测器有较好的预测性能．     

改进特征选择的光伏功率预测融合算法

为提高电站光伏功率预测准确率,该文提出了改进特征选择的融合预测模型。首先耦合包裹式和过滤式方法筛选特征参数;然后根据气象特征分类构建XGBoost、LightGBM和MLP的单一模型;最后使用双隐藏层多层感知器（MLP）构建融合模型进行预测。实验结果表明,通过改进特征选择以及使用对非线性描述能力更佳的MLP融合算法,融合预测模型相比单一模型具有更高的预测准确率以及更强的泛化能力,可较好地满足短期光伏功率预测的需求。     

面向不平衡数据集的线性分类方法研究

近年来,面向不平衡数据集的分类器学习与推广问题越来越受到人们的关注,在此以机器学习数据库、美国邮政编码、2维元音等国际上典型的分类问题为应用背景,重点研究如何用线性分类器解决样本数不平衡的问题;对Fisher、伪逆和单层感知器等3种典型的线性分类器做了深入的研究,并将这3种线性分类方法应用到不平衡数据集的分类中;通过实验及分析,这些新方法对平衡数据集的线性分类起到了良好的分类效果。