基于子块集成神经网络法的PSD背景光补偿

提出一种基于神经网络高精度线性化子块网络集成插值实现光电位置敏感器件（PSD）背景光非线性补偿方法。利用神经网络具有逼近任意非线性函数的特点,通过训练,使神经网络建立在不同背景光下PSD输出与其标准值之间的非线性映射关系,实现PSD全程跟踪补偿。实验结果表明,该方法能有效地消除背景光的影响,在神经网络的输出端得到期望的线性输出。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。     

一种提高神经网络集成系统泛化能力的方法

为了充分利用神经网络的原始训练数据,提高神经网络集成系统的泛化能力,提出了一种有效的神经网络集成方法.通过在训练样本上加入一定量的噪声,增大训练样本集,使得不同的个体网络在不同的训练样本上训练,在提高个体网络精度的同时,增加了集成中个体网络的差异度.实验结果表明,该方法能有效的提高神经网络集成系统的泛化能力与计算精度.     

一种投票权值调整的神经网络集成增量学习方法

针对神经网络集成增量学习中集成输出投票权值的设定问题,给出了一种投票权值调整的神经网络集成增量学习方法。该方法定义了神经网络集成中子神经网络训练集的类核函数,通过计算待识样本与类核函数之间的核函数距离得到集成输出中子神经网络的投票权值。这种投票权值设定方法可以根据子神经网络分类器对待识样本的分类性能自适应地调整集成输出的投票权值,是一种更加合理的集成输出投票权值设定方法。仿真实验表明,这种投票权值调整的神经网络集成增量学习方法比投票权值固定的方法增量学习性能更优。      

基于负相关神经网络集成的货币识别算法研究

为了提高货币识别率,提出了用负相关学习算法来提高神经网络集成的泛化能力.将紫外光照射下的纸币图片作为实验样本,将负相关学习法的集成神经网络用于分类器设计,选择6种面额纸币在不同噪声下的样本共300个作为训练样本,对单个神经网络分类器和神经网络集成分类器进行了MATLAB仿真,并对仿真所得的可靠性、识别率进行对比.实验结果表明,基于负相关学习的神经网络集成对货币识别分类有很好的效果,与应用单个神经网络的系统和独立训练个体网络的集成神经网络相比,它的识别率平均可以高出4％.     

基于选择性集成径向基神经网络的来波方向估计

本文提出了一种基于选择性集成径向基函数神经网络(SE-RBFNN)的来波方向(DOA)估计方法,解决单个神经网络建模进行DOA估计精度低的问题。首先利用Bagging方法训练生成一定数量的RBFNN弱分类器,其估计精度低但泛化能力强;然后提出并运用等宽分箱—投票选择性集成方法剔除估计误差大的奇异值个体,优选部分RBFNN输出结果进行平均处理,从而获得了高精度的DOA估计。仿真结果表明了算法的有效性,相对单个RBFNN建模,构建的选择性集成模型能适应方向特征的变化,算法的来波估计精度显著提高。     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

基于神经网络集成的微带天线谐振频率建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.提出基于十进制粒子群优化(DePSO)算法和二进制粒子群优化(BiPSO)算法的选择性神经网络集成方法,通过粒子群优化(PSO)算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响.为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异策略.仿真试验表明:混沌PSO算法可以有效提高神经网络集成的泛化能力,基于混沌PSO算法的选择性神经网络集成所建立的微带天线的谐振频率模型好于此问题的已有结论.     

基于稀疏编码和集成学习的多示例多标记图像分类方法

 该文基于稀疏编码和集成学习提出了一种新的多示例多标记图像分类方法。首先,利用训练包中所有示例学习一个字典,根据该字典计算示例的稀疏编码系数;然后基于每个包中所有示例的稀疏编码系数计算包特征向量,从而将多示例多标记问题转化为多标记问题;最后利用多标记分类算法进行求解。为了提高分类器的泛化能力,对多个分类器进行集成。在多示例多标记图像数据集上的实验结果表明所提方法与其它方法相比有更好的性能。     

混沌搜索神经网络集成求解广义异或分类问题

神经网络集成被认为是最有效的工程化神经网络设计方法之一.把混沌搜索技术引入到神经网络集成方法中,提出了基于混沌搜索的神经网络集成方法.该方法保持了神经网络集成可以有效提高神经网络的泛化能力的特点,减小"多维共线性"和样本噪声的影响.为有效保证网络权值多样性,在网络权值初始化的过程中加入混沌理论.对广义异或问题的仿真计算表明,该方法的性能优于标准的神经网络集成方法.