基于神经网络的时间序列相似模式发现方法

基于无监督学习神经网络聚类原理,提出一种时间序列相似模式发现方法.通过快速离散余弦变换将序列映射到相应的特征模式空间,不但实现维数简约,而且克服传统神经网络不能处理过程序列的局限性.分析人工神经网络作为相似性度量模型的优越性,用"黑箱式"的网络权值代替传统的距离度量方法,并在此基础上实现相似模式的全部配对发现算法.对实际飞行数据仿真结果表明该方法的正确性,同时具有多尺度特性,可有效反映不同分辨率下序列间的相似程度.     

基于新颖子波变换的高光谱遥感图像特征提取

提出了一种新颖的用于高光谱遥感图像特征提取的子波变换算法.与二进小波变换按恒Q准则划分频域不同的是,该算法通过改变相邻子波的带宽比,可以实现更为灵活的频域划分.采用子波能量的离散余弦变换作为特征矢量,然后进行无监督C均值聚类实验和有监督RBF(径向基函数)神经网络分类实验.实验结果表明,子波变换能量的离散余弦变换特征可以有效地描述光谱曲线特征,且正确分类率高于传统的小波变换.     

基于瞬时频率响应函数的间歇过程时段划分

多时段特性是间歇过程的本质特性之一,对间歇过程实现有效的时段划分是故障监测的基础。传统的时段划分方法大多针对过程的输入输出数据,对输入输出数据突变较为敏感。本文提出一种基于瞬时频率响应函数的间歇过程时段划分方法,该方法基于系统的瞬时动态特性,用瞬时频率响应函数替代输入输出数据进行时段划分,利用小波变换估计系统的瞬时频率响应函数进行核主元分析降维,通过模糊C均值聚类对降维后频率响应函数进行聚类划分时段。实验结果表明,本文所提出的方法能够实现对间歇过程的时段划分,并具有较高的鲁棒性。     

基于快速EZC-DCT的地形压缩绘制技术*

对大规模地形进行实时渲染时,大量数据传输、存储和处理严重制约着实时渲染的速率。基于此,提出了一种基于快速离散余弦变换的嵌入式零树编码实现地形数据压缩与实时粗粒度LOD渲染结合的算法。首先对分块后的地形数据分别进行快速离散余弦变换,然后对得到的系数进行聚类操作,最后对其进行嵌入式零树编码。实验结果表明该算法压缩效率高,信噪比较好,计算相对简单,帧速率比传统的基于小波变换的算法提高了20%,更加符合视觉要求。     

基于DCT和MMC的人脸识别方法

提出了一种基于离散余弦变换(DCT)和最大间距准则(MMC)鉴别分析的人脸识别方法.先对人脸图像进行离散余弦变换,选取变换矩阵左上角的一部分变换系数构成特征向量,然后对所有训练样本按照最大间距准则鉴别分析算法计算投影矩阵,把人脸图像矩阵在投影矩阵上投影得到特征矩阵.融合决策阶段,在以上两类特征集中,基于欧氏距离测度分别计算待识别样本到所有训练样本的距离并对得到的两类结果采用加权方法进行融合,得到最终的分类结果.基于ORL人脸数据库的实验结果表明了该算法的有效性.     

结构自适应的半监督自组织过程神经网络

针对时域空间中模式识别、聚类分析和未标记样本的有效利用问题,提出一种基于半监督学习的网络结构自适应的二维自组织过程神经网络模型和算法。通过构建可度量时变样本间相似性的广义Fréchet距离,利用部分已标记动态样本的类别信息和过程特征,采用奖励-惩罚更新规则,根据网络学习目标函数,对网络二维平面竞争层节点进行动态拆分或合并,实现网络结构的自适应调整和样本的有效聚类。仿真实验结果验证了模型和算法的有效性。     

似然K均值聚类用于涡扇发动机气路故障诊断

[K]均值聚类算法是聚类领域最知名的方法之一,然而[K]均值聚类完全依赖欧式距离进行聚类,忽略了样本特征离散程度对聚类结果的影响,导致聚类边缘样本容易被误聚类,且算法易局部收敛,聚类准确率较低。针对传统[K]均值聚类算法的不足,提出了似然[K]均值聚类算法,对于每个聚类的所有样本考虑每个维度样本特征的离散程度信息,分别计算样本属于某一聚类的似然概率,能够有效提高聚类准确率。在人造数据集和基准数据集验证了似然[K]均值聚类算法的优越性,将其应用于涡扇发动机气路部件故障以及传感器故障的模式识别,验证了该算法在涡扇发动机故障诊断中的实用性和有效性。     

基于自组织特征映射神经网络的土壤分类

人工神经网络中的自组织特征映射网络具有较强的聚类功能,将自组织特征映射神经网络模型应用于土壤分类,提取影响土壤分类的七个理化因子,根据19个土壤样本建立神经网络,最后验证10个土壤样本的分类结果是否正确。分析结果表明,这种方法是十分有效和方便的。同时,本文对分类结果进行分析和讨论,指出利用该模型强大的学习功功能及很好的自适应性、自组织性和鲁棒性可以为土壤分类提供一种快速、准确的信息处理手段。     

高斯过程机器学习的基线计算算法

为了对网络监视领域中样本进行预测和相关处理,大多数研究在计算基线时都忽略了样本的概率特征,未能结合样本的数据分布,对样本进行相关的处理,忽略了利用样本的周期特性和数据分布对样本进行相关处理的改进空间.因此,本文分析样本历史数据的噪音,通过引入高斯过程机器学习方法,提出基于周期样本的高斯过程机器学习方法,通过采用复合核函数,实现了网络主动监控中的基线计算.首先对＂周期数据＂进行聚类处理,同时将核函数拆分为全局核函数部分和局部核函数部分,使用聚类点训练全局核函数部分;使用局部点训练局部核函数.通过实验,与其它算法相比大大提高了效率,而且保证了近似的准确性.最终保障网络安全、提升网络性能和用户满意度.     

离散余弦变换在轴承故障诊断中的应用

针对轴承故障难以快速诊断的问题,提出了基于离散余弦变换(DCT)和Hilbert变换提取轴承损伤的特征信息新方法。首先采用离散余弦变换对时域信号进行处理获得系数,再合理选择离散余弦变换系数重构信号,用Hibert包络分析重构信号并从中提取特征频率。实际应用表明,该方法能快速、准确地检测出轴承损伤,可有效应用于轴承故障的在线监测与诊断。     

基于BP人工神经网络的软件质量评估

针对软件质量评估的课题,提出了一种基于BP人工神经网络的软件质量评估方法,提高软件质量评估的准确性.首先,论文介绍了人工神经网络的基本原理和软件质量评估的基本过程.然后选取适当软件质量特征构建基于BP人工神经网络的评估体系,分别进行BP网络学习和验证数据测试的实验.通过测试得到的数据结果,证明该方法能够准确地评估软件质量.     

人工神经网络模型发展及应用综述

人工神经网络与其他学科领域联系日益紧密,人们通过对人工神经网络层结构的探索和改进来解决各个领域的问题。根据人工神经网络相关文献进行分析,综述了人工神经网络算法以及网络模型结构的发展史,根据神经网络的发展介绍了人工神经网络相关概念,其中主要涉及到多层感知器、反向传播神经网络、卷积神经网络以及递归神经网络,描述了卷积神经网络发展当中出现的部分卷积神经网络模型和递归神经网络中常用的相关网络结构,分别综述了各个人工神经网络算法在相关领域的应用情况,总结了人工神经网络的未来发展方向。     

自适应人工神经网络电机控制器设计

提出了一种自适应人工神经网络无刷直流电动机(BLDCM)转速控制器设计方法;针对传统PID调节器难以应对系统超调和短时振荡等问题,提出了一种结合人工神经网络和传统PID控制的新方法;首先建立了(BLDCM)的本体数学模型,在此基础上描述了将人工神经网络和PID控制相结合的模型,并对具体的控制算法进行了定义;最后,使用Matlab仿真工具对BLDCM控制实例进行了仿真;实验结果表明,结合人工神经网络和PID控制器的新控制方法具有响应快、鲁棒性强以及控制精度高等优点,很好地抑制了超调和振荡。     

遗忘神经网络模型及其BP算法

为解决跨时间数据训练神经网络时的数据选择问题，提出在神经网络的训练模型中引入遗忘系数，从而建立了一种改进的前馈神经网络模型——遗忘神经网络模型。介绍了该模型的基本原理，并给出了其BP算法。     

基于人工神经网络的配电网距离保护方法研究

基于神经网络技术提出了一种新的配电网距离保护方法,用于提高距离继电器在配电网中抗开路故障的性能。给出了保护方法的详细数学模型。该方案采用的人工神经网络结构简单,只需离线训练,不会对距离继电器的工作时间造成大的时延,也不需要特殊的通信辅助手段。测试结果表明,采用该方案的距离继电器不仅能够检测电网线路中的开路情况,而且无论故障前的电流负载如何,都能够定位故障位置,验证了所提方法的有效性。     

基于人工免疫网络的神经网络集成方法

提出基于人工免疫网络的神经网络集成方法AINEN。在用Bagging生成神经网络集成之后,将人工免疫网络的原理应用到神经网络集成,组成了一个从微观上看是一个一个的神经网络,而从宏观上看是一个大的人工免疫网络的集成。通过在微观层次上提高神经网络集成的个体之间的异构度,在宏观层次上提高免疫网络的适应度,从而降低集成的泛化误差。AINEN与GASEN方法在标准数据集上进行的实验表明,AINEN能取得更小的泛化误差。     

基于人工神经网络改进的Delphi法

采用传统Delphi方法进行决策、预测时,成员权重主要根据成员的经历、职务、年龄和自我评定等情况来确定,易导致加权平均值及方差计算不准确,影响Delphi法的精度和效率。为提高传统Delphi法的精度和效率,本文在基于BP神经网络的加权平均值计算模型基础上,提出了基于BP神经网络的改进Delphi法。改进的Delphi法使成员权值分配与其决策预测结果直接相关,减少了人为不正确因素对权值分配的影响。该方法已被应用于股票上市公司经营业绩综合评价排序,通过与传统Delphi法应用对比,证实了改进的Delphi法具有较高的计算精度和效率。     

灰色人工神经网络人口总量预测模型及应用

针对单一指标进行人口总量预测精度不高的问题,基于灰色系统理论和人工神经网络理论,用1990年至2004年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。对2005年至2007年的人口总量进行检验性预测,结果表明灰色人工神经网络模型大大提高了预测精度。     

BP与RBF比较研究

由于人工神经网络在符号处理、并行搜索、自组织联想记忆等方面有独特的优势,因此成为人工智能研究的热点。目前,人工神经网络模型形式多样,为了能够清晰地了解人工神经网络,就两种比较流行的神经网络:BP与RBF进行了介绍,研究了这两种人工神经网络的结构算法,并且对它们的结构算法以及性能进行了比较。