基于拟牛顿算法优化神经网络的入侵检测研究

当前的入侵检测技术主要有基于规则的误用检测和基于统计的异常检测.提出了一种基于拟牛顿算法优化神经网络的入侵检测方法,与传统算法相比,该方法具有收敛快,检测率高等优点.     

基于变尺度全局搜索的运动目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出一种基于变尺度全局搜索的运动目标跟踪算法。首先对于没有发生严重遮挡运动目标,采用MS算法实现目标跟踪,然后当目标受到严重遮挡时,通过全局搜索策略缩小搜索窗尺度,逐渐逼近跟踪目标,实现对目标准确跟踪,最后采用多个实验对算法的性能仿真测试。仿真结果表明,相对其它的目标跟踪算法,本文算法不仅提高了运动目标的跟踪精度,而且加快运动目标跟踪速度,尤其对于严重遮挡目标跟踪问题,具有十分明显的优势,具有较强的鲁棒性。     

基于改进PSO算法的模糊神经网络研究

现阶段,科学技术的研究与发展较为快速,模糊神经网络项目的研究价值逐渐被人们挖掘出来。从现阶段神经网络类型学科的拓展研究及发展状况来看,该领域研究成果的实践应用范围十分宽泛,而且,更需要要注重各项细节的处理与完善,以此来推进智能化核心技术的进步。文章就基于改进PSO算法的模糊神经网络的相关内容进行研究,以期能为进一步探索该领域带来一丝启示,并将有益的研究内容充实到理论成果当中,为日后类似项目的研究提供素材。     

前向多层神经网络模糊自适应算法

本文将模糊集理论与人工神经网络的研究相结合，提出一种模糊自适应ＢＰ算法，用典型异或问题与规模更大的打印机磁泄漏信息识别问题进行计算机模拟表明，该算法可使ＢＰ算法的收敛速度明显提高。此项工作为神经网络与模糊系统相结合探索了一条新的途径。     

基于蚁群算法的模糊神经网络垂直切换算法

提出了基于蚁群算法(ACO)优化的模糊神经网络垂直切换算法ACO-FNN,综合考虑了信号强度、移动速度、可用带宽等因素进行模糊神经网络处理,并采用蚁群算法进行优化,调整隶属度函数的参数。仿真结果表明,该算法能够在减少乒乓效应的基础上更好的保证用户的服务质量QOS。     

折线模糊神经网络的共轭梯度算法

 为了近似实现模糊数的非线性运算及提高神经网络的逼近精度,引入折线模糊数和折线模糊神经网络,并依据折线模糊数的扩展运算对经典共轭梯度算法进行改进,使该算法在迭代过程中通过一维非精确Armijo-Goldstein线性搜索方法获得优化学习常数,进而在折线模糊神经网络环境下设计了折线模糊共轭梯度算法.最后,通过模拟实例说明了该算法具有计算复杂度低、收敛速度快等特性.     

一种基于禁忌搜索的全局最优化模糊聚类算法

模糊C均值（FCM）算法是一种基于贪心思想的迭代算法,算法沿迭代序列收敛到一个极小值,但存在搜索能力弱、易陷入局部最优的缺点.本文提出了一种基于禁忌搜索的模糊聚类算法,该算法在一个解的邻域内使用禁忌搜索,并采用了基于FCM局部收敛性质的长期表禁忌策略,保证在不断移动搜索起点的同时避免重复搜索;其次使用混沌优化思想与动态步长策略来提升算法的全局搜索能力,以达到获取全局最优解的目的.实验结果表明,改进算法极大地提高了聚类准确率,并具有良好的稳定性,与群智算法和遗传算法的优化相比也具有一定的优势.     

模糊对向传播神经网络的学习算法

模糊对向传播神经网络的学习算法由输入层至竞争层的连接权向量和竞争层到输出层的连接权向量两部分的学习组成,对于前者,分别选用聚类法和工下降法,本文研究了模糊对向传播神经网络的两种学习算法从理论上分析了这两种算法的性质,把算法应用于著名Ｍａｃｋｅｙ－Ｇｌａｓｓ混沌时间序列预测问题中,实验结果表明后一种算法的学习精度及泛化能力较前一种算法要好,但前者的学习速度要快。     

基于模糊模式和BP算法的手写数字识别

通过对多种手写数字识别算法的研究和分析，提出了一种基于模糊模式识别和BP神经网络寸亏写数字进行识别的新算法。首先应用BP神经网络对手写数字样本进行学习，然后再结合模糊模式识别的思想进行手写数字识别。实验证明：该算法与传统的手写数字识别算法相比，识别率明显提高。经过推广，该算法可应用于汉字识别、人脸识别等领域。     

基于云模型的模糊神经网络算法研究

针对模糊神经网络不能同时处理随机性和模糊性且人为影响严重等问题,提出采用云模型进行不确定性表达,建立云模糊神经网络模型。针对黄金分割法的误差问题,提出使用高斯拟合算法计算云模型的数字特征。利用云模型计算属性的确定度,作为隶属函数;使用改进的"软与"算法完成云规则生成及匹配;通过云模型对BP算法进行优化,避免出现局部最优解;根据输出数值及确定度判断数据所属类别。实验结果表明,云模糊神经网络对不确定性的处理具有更高的准确性。     

基于遗传神经网络的入侵检测方法研究

首先介绍了人工神经网络和遗传算法的基本原理，进行分析后将这两种方法相结合提出一种GABP遗传神经网络算法及其实现过程，并将其应用于入侵检测中，和传统的BP神经网络相比具有较好的效果。     

BP Learning Algorithm Based on DFP and Trust Region Method

The Back propagation （BP） algorithm is one of the most widely used learning algorithms of Neural network （NN）. The traditional BP learning algorithm has some defects, such as slow convergence rate and poor stabilization. In this paper, a new learning algorithm based on Davidon-fletcher-powell （DFP） and Trust Region method is proposed to solve these problems. Compare with other learning algorithms, DFP has advantages, such as higher searching efficiency, super-linear convergence rate and lower computation cost. On the other hand, trust region method make the new learning algorithm hold global convergence, stability, and high accuracy, especially in large residuals problems. Simulation results on XOR problem and non-linear system recognition show that this new method work well in improving the convergence rate and accuracy.     

一种基于神经网络的模糊推理方法

对于Zadeh的模糊关系合成法则（简称CRI方法），选择一个适宜蕴涵关系矩阵是至关重要的。通常蕴涵关系矩阵的元素值是通过一个所构造的数学表达式计算的，或是由领域专家凭经验直接给出。然而，有时，特别是对于后一种情形，CRI法不能满足模糊推理最基本的一致性要求。文章构造了一个神经网络用于模糊推理，新方法不仅是CRI方法的推广，而且远比CRI方法易于满足推理的一致性要求。得益于神经网络的长处，新方法具有灵活性、可调性。文章给出了权值的具取值法。     

基于遗传算法的自适应神经模糊控制器

分析了自适应神经模糊系统的特性，以此设计一个智能控制器，控制器的输入为误差和误差变化率，输出为控制量。遗传算法是一种有效的全局最优搜索算法，对于复杂、非线性的空间也能够快速地搜索最优解，因而本文利用遗传算法来优化自适应神经模糊控制器的参数。仿真实验表明，该方法优化得到的控制器具有优良的控制效果。     

基于遗传神经网络的芯片图像分割

芯片图像分割是上芯机机器视觉系统进行图像处理的重要环节,分割效果直接影响下一步芯片信息的提取。采用遗传算法对BP神经网络的权值和阈值进行优化,避免网络陷入局部最优,使其在全局范围内获得最优解。通过选择实数编码和遗传算子算法控制参数,利用优化后的神经网络对芯片图像进行分割;并用模板匹配法得到分割图像的匹配度,计算其平均值和方差。最后,将该算法与传统分割算法的进行比较,该算法的分割效果优于传统分割效果。     

基于遗传算法和BP模糊神经网络的红外步态识别

为了提高红外步态识别精度的目的,采用分别基于小波描述子特征的模糊分类器识别和基于体形平均灰度图特征的贝叶斯分类器识别,再进行基于遗传算法和BP模糊神经网络的多分类器融合识别的新方法。做了基于中科院红外步态数据库的识别仿真实验,获得识别率、等错误率和累积匹配分值的实验数据及对比结果,得到多分类器融合识别比单分类器识别提高约10%识别率,降低约10%等错误率,完全收敛阶数提高1倍多的结论。具有识别精度高、收敛速度快的特点。     

基于自适应遗传算法优化BP神经网络

传统的BP算法具有简单可塑的优点,但是存在着容易陷入局部极值、收敛速度慢等无法克服的缺陷。遗传算法是一种全局搜索算法,具有很强的全局搜索能力。因此,文中设计了一种自适应遗传算法优化BP神经网络的方法,并通过对数字信号的实例仿真,证明了经过改进优化后的BP神经网络具有很好的应用前景。     

一个新的二进前向多层网学习算法及布尔函数优化实现

本文首先给出二进前向多层网几何学习算法的一个改进策略,提高了原算法的学习效率,然后同个新的神经网络启发式遗传几何学习算法。ＨＧＧＬ算法采用面向知识的交叉算子和变异算子对几何超平面进行优化的划分,同时确定隐层神经元的个数及连接权系数和阈值,对任意布尔函数,ＨＧＧＬ算法可获得迄今为止隐节点数量少的神经网络结构。     

基于遗传神经网络的AOA跟踪算法

提出了一种在非视距传播环境中基于遗传神经网络的到达角定位跟踪算法。首先使用遗传算法优化后向传播神经网络的初始权值,将优化后的GA-BP神经网络对AOA测量值进行修正,用最小二乘算法确定移动台的位置,再用卡尔曼滤波器配合相关检测距离门对移动台实施跟踪。仿真结果表明,该算法能有效地实现移动台的动态跟踪,且性能优于传统BP神经网络和LS算法。