基于深度神经网络复杂场景下的机器人拣选方法

针对提高快递包裹的分拣效率和识别准确率,提出了一种基于深度神经网络复杂场景下的机器人拣选方法.首先,提出一种改进的目标检测算法,通过将多层浅层特征图与最终的特征图进行融合,提取更加细节的特征,以提升识别的速度与精度;其次,提出了一种基于关键点的级联卷积最优拣选位置检测网络模型,对包裹最优拣选位置进行实时预测估计;最后,结合目标包裹最优拣选框与场景的深度信息和基于三维信息的目标姿态估计算法实现机器人拣选,并通过实验验证了该方法的有效性.     

RBF网络在基于动载的路面识别中的应用

设计了基于车轮垂直动载的路面识别的RBF网络分类器.对正则化、网络集成、添加噪声及最优停止4种神经网络泛化方法进行了归纳分析.输入加入强度为0.025的噪声,并用5个子网进行集成处理后,测试样本正确识别率最高,达50%.上述方法结合最优停止法时,测试正确率没有提高反而下降.反映了RBF网络在小样本识别中泛化处理的某些特点.测试结果表明:适当泛化后的RBF神经网络可用于基于垂直动载的路面识别.     

基于图像边缘检测的图像识别算法

在图像识别问题中,基于Haar特征的图像识别算法已经十分普遍,并且得到了广泛的应用。但是,目前此类算法还存在有时间复杂度高、对图像亮度、尺寸变化敏感、图像识别精度差等缺点。为了提高图像识别的精度,提出了一种新的边缘检测图像识别算法。这种算法首先使用Canny算子将图像的边缘像素识别出来,然后计算每一个有效像素的梯度。通过得到的像素梯度序列建立归一化直方图,对归一化直方图分析后得到最优识别。基于边缘检测的图像识别算法使匹配图像效率得到了提高,图像识别流程得到优化。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

多子群粒子群集成神经网络

为了使参加神经网络集成的个体差异度较大,从而提高网络集成的泛化能力,本文提出一种新的基于多子群粒子群算法的神经网络集成方法.每个子群通过补充差异度独立训练出一批神经网络,从每个子群中选择一个最优个体参加网络集成,实验使用了UCI标准数据集.实验证明,该算法的识别能力要好于Boosting、Bagging等传统方法.     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

基于改进网格搜索法的SVM参数优化

支持向量机的学习和泛化能力很大程度上取决于其相关参数的选取.针对传统网格算法的不足,引入全局粒子群算法,利用其能够快速到达最优解附近的优势:先使用粒子群算法进行粗搜;再使用网格搜索法进行小步长的精细搜索得到最优解.实验结果表明:基于改进的网格搜索法SVM对比传统网格搜索法SVM,在预测精度和运算时间上都具有优势.     

基于PSO的ELM集成学习算法研究

极限学习机(Extreme Learning Machine,ELM)作为一种前向神经网络的学习算法,具有较快的学习速度和较高的学习精度。但是由于ELM的参数是随机设置的,导致ELM的泛化能力不高,容易产生过拟合现象。基于粒子群的极限学习机算法(PSO-ELM),提出了集成学习PSO-ELM算法,称为E-PSO-ELM,来提高模型的泛化能力。函数逼近和模式分类问题的仿真结果表明,所提出算法具有较好的泛化能力,特别是在函数逼近问题中,可以较为明显地提高模型的泛化能力和学习精度。     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

一种改进型YOLOv5草莓检测算法

针对现有的草莓检测算法模型参数量大、准确率低、实时性差等问题,提出一种改进型YOLOv5草莓检测算法。算法基于YOLOv5模型,骨干网络引入GhostConv和C3Ghost模块进行参数量压缩,构造轻量化模型;加入Cutout增强数据,增加训练样本的多样性,进而提高模型的泛化能力和抗干扰能力;通过引入Gather-Excite和Transformer注意力机制加强对草莓图像重要特征的关注,从而提升检测算法在复杂环境下的识别能力。实验显示,所提算法的平均精度均值1和平均精度均值2分别为97.7%和83.5%,参数量缩减为4.01 M,推理时间为26.3 ms。改进后的算法相比原算法具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。     

一种基于小生境的负相关神经网络集成算法

提出了一种基于小生境的负相关神经网络集成算法.所提方法结合了负相关学习和进化算法,采用同时训练的方式对多个神经网络进行训练,不仅能使网络之间产生有效的差异度,而且能促进网络之间的交互性和合作性.此外,在进化过程中引入了一种改进的小生境技术,能更有效地维持网络种群的多样性,从而保证神经网络集成的差异度.所提方法在6个分类数据集上进行了测试,并且与一些相关神经网络集成方法进行对比.实验结果表明所提方法能得到一个有效的神经网络集成.     

混合采样与遗传算法相结合的垃圾网页检测

垃圾网页检测存在数据不平衡、特征空间维度较高的问题,为此,提出一种基于随机混合采样和遗传算法的集成分类算法.首先,使用随机混合采样技术,通过随机抽样,减少多数类样本数量,用少数类样本合成过采样技术方法生成少数类样本,获得多个平衡的训练数据子集;然后使用改进的遗传算法对训练数据集进行降维,得到多个具有最优特征的训练数据子集;使用极端梯度算法（XGBoost）作为分类器,训练多个平衡数据子集,用简单投票法对多个分类器进行集成,得到新的分类器;最后对测试集进行预测,得到最终预测结果.实验结果表明,提出算法的分类结果与XGBoost的结果相比,准确率提高了约19.25%,且减少了建立学习模型的时间,提高了分类性能,是一种较好的分类算法.     

神经网络集成的免疫学习算法

针对神经网络集成中个体独立训练的低效性，提出一种神经网络集成的免疫学习算法NEIL，通过对集成单体神经网络的免疫优化，借助免疫算法的多峰值搜索和并行优化特性，将最终的收敛抗体群分别对应神经网络集成的各个单体，实现集成的同时训练过程，仿真结果表明NEIL算法是有效的，既保持了启发式优化方法的并行性，提高了神经网络集成的学习效率，又可保证单体网络之间相互独立，具有较大的差异度，进一步增强神经网络集成的泛化性能。     

基于网络聚类选择的神经网络集成方法及应用

面向农作物精准施肥量确定问题,提出一种基于复杂网络聚类选择的神经网络集成方法。在该方法中,首先采用回放取样方法来生成多个神经网络个体,其次利用网络聚类算法FEC从这些神经网络个体集中选出部分个体,再次对选出的神经网络个体分别用线性加权方法和非线性方法进行集成,最后对两个集成结果进行融合得到预测结果。于2008年在吉林省榆树玉米试验田七号地对该方法进行了应用。实验结果表明:该方法不仅优于传统的施肥模型、神经网络线性加权集成和神经网络非线性集成方法,而且还具有较强的泛化能力。     

基于近似约简的集成学习算法及其在入侵检测中的应用

为了获得较大差异性的基学习器来构建集成学习器,从属性空间划分的角度来考虑集成学习问题,通过粗糙集理论定义了近似约简的概念,进一步提出了基于近似约简的集成学习算法;本方法将数据集的属性空间划分为多个子空间,基于不同子空间对应的数据集训练得到的基学习器具有较大的差异性,从而保证了集成学习器具有较强的泛化性能。为了验证本算法的有效性,本算法被应用于网络入侵检测中。在KDD CUP 99数据集上的实验表明,与传统的集成学习算法相比,本文所提出的算法具有更高的检测率和更低的计算开销,更适合于从海量高维的网络数据中检测入侵。     

基于改进果蝇算法优化PNN的变压器故障诊断研究

为了提高电力变压器故障诊断准确率,通过分析变压器油中溶解气体数据,提出了一种定向变步长的果蝇算法(DVSFOA)与概率神经网络(PNN)相结合的变压器故障诊断模型。由于PNN的参数平滑因子对输出结果影响较大,对果蝇算法位置公式进行更新调整,对平滑因子进行参数寻优,将优化结果赋值给PNN模型进行网络训练,得到了用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法具有较高的诊断精度,收敛速度快,整体性能高。     

基于选择性深度神经网络集成的涡扇发动机剩余寿命预测

大样本高维度状态监测数据对剩余使用寿命（RUL）精准预测有着技术性挑战,为了提高以航空涡轮风扇发动机为代表的复杂装备的预测精度和收敛效率,提出一种两阶段的选择性深度神经网络集成方法. 第1阶段为多方法联合扰动下的候选集生成方案,通过采用异质神经网络结构、多时间尺度设计和算法参数随机化消除模型内部耦合关系,强化候选深度神经网络集多样性;第2阶段利用遗传算法集成修剪冗余模型,有效剔除性能不佳的冗余学习器,以获取多样化最优候选子集,并按平均集成输出预测结果. 与个体模型的数据实验对比表明,所提方法通过同步增强集成模型准确性和多样性,提升了近20%的RUL预测精度,可为运维决策提供有力支撑.     

并行神经元集成在风险评估中的应用

研究了信息安全风险评估的并行求解方法．以神经元集成为出发点,借助于多个神经元网络并行逼近风险评估值,以降低评估时间和提高评估精度．提出了并行神经元集成风险评估算法,并应用到实例中,实验表明,并行算法能够有效地减少评估花费的时间和增加风险评估准确性．     

一种结合深度学习和集成学习的情感分析模型

随着社交媒体的不断发展,用户评价已成为网络决策的关键因素.为了准确分析社交媒体用户评价的情感倾向性,更好地推进舆情分析、推荐算法等工作,本文通过对Bi-LSTM模型和Bagging算法的改进,提出了一种新的情感分析模型—Bi-LSTMM-B模型.该模型的特点在于将深度学习模型可提取抽象特征的优势和集成学习多分类器共同决策的思想相结合.一方面在Bi-LSTM模型的基础上引入Maxout神经元,构建Bi-LSTMM模型,解决随机梯度下降算法中存在的梯度弥散问题,更好地优化训练过程.另一方面,模型基于Bagging算法训练多个情感分类器,根据分类器性能优劣利用袋外数据为每个分类器分配指定类别的权重,并提出相应的改进投票策略,增强了模型的泛化能力.实验结果表明:本文提出的Bi-LSTMM-B模型相比于传统的LSTM模型准确率提高12.08%,其中Maxout神经元的引入对情感分析准确率有8.28%的相对改善效果,改进后的投票策略对准确率有4.06%的相对改善效果,并在召回率和F值两项指标上均优于其他对比模型.由此证明,深度学习模型和集成学习思想相结合可提高情感分析的准确率,并具有一定的研究价值.