竞争型径向基过程神经网络时序分类器

针对时序分类问题,提出一种竞争型径向基过程神经网络时序分类器.给出了复合竞争过程神经元单元的定义,引入复合竞争过程神经元隐层,利用竞争型径向基过程神经网络输入为时变函数的特点,由复合竞争过程神经元单元完成对过程式输入信息的模式匹配和时空聚合运算,给出了具体学习算法,省去了输出层线性连接权的计算,简化了网络结构和训练过程,提高了网络泛化能力.最后以UCI数据集多变量时序分类问题验证了分类器的有效性.     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器.由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高.将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器.算法在matlab中实现,对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率.     

基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

胶合板缺陷模糊神经网络检测算法

讨论了模糊逻辑和神经网络的工作原理,笔者在神经网络中引入模糊逻辑算法,将模糊逻辑处理不精确不完备信息的能力和神经网络的自适应自学习能力相结合,提出一种模糊神经网络算法,构建出模糊神经网络分类器,并且以胶合板缺陷检测为应用背景,对其分类的实时性、准确率等指标进行了验证,得到了分类精度93 33%,和训练次数5856次的良好性能.实验结果表明:在引入模糊逻辑算法后,基于模糊逻辑的神经网络分类器在模式分类精度和实时性等方面性能指标都得到了提高.     

一种多特征组合与多神经网络分类器集成的手写数字识别新方法

提出了一种多特征组合与多神经网络分类器集成的手写体数字字符识别方法。新方法对结构简单、书写规范的数字字符使用高效的结构分类器实现快速分类;对结构分类器不能准确分类的字符,首先通过提取多个特征,构造不同结构和类型的多个神经网络分类器,然后对多个分类器的识别结果,通过多专家集成方案对手写数字进行最终判决。实验结果表明,提出的方法能有效降低识别错误率,提高识别系统的可靠性。     

基于变异学习的药物构效关系模式分类法

提出一类用于预测药物活性的神经元模式分类器及其神经网络进化学习新算法——变异基遗传法 .该算法仅采用变异算子进行局部优化搜索 ,并利用随机初始化技术使算法在局部搜索能力提高的同时仍有可能寻找到全局最优解 .本文以有机氟农药为例 ,将基于变异学习的神经元模式分类方法应用于药物构效关系的识别研究 ,实验结果表明 ,该方法能有效地辨识药物构效关系模式 ,模式分类识别正确率优于其他神经元模式分类法     

基于改进的自组织映射神经网络的 调制方式识别分类器

为了提高调制方式识别分类器算法的正确识别概率和缩短识别时间,使其有自适应能力,利用自组织映射神经网络自组织、自适应的特点,提出采用自组织映射神经网络作为调制方式中的分类器,以自适应于信噪比的变化。对其学习规则和竞争传递函数进行改进,使每次获胜的输出神经元为2个。这样能减少输出神经元个数,加快神经网络的收敛速率,以较短的时间识别接收信号的调制方式。仿真结果表明改进的自组织映射神经网络的识别概率高于其它的神经网络。并且由于其结构简单,便于工程实现。     

一种基于证据理论和神经网络的调制分类器

文章提出了一种基于证据理论和神经网络的调制信号分类方法。利用4种不同的神经网络分类器对常用的10种调制信号的同一组特征分别进行训练、分类;利用证据理论对它们的分类结果(决策)进行融合;最后,把融合结果作为调制信号的最终分类结果。实验结果与性能比较表明,该方法是有效的,获得了较高的识别率。     

一种基于自适应子波神经网络的船舶噪声分类方法

基于自适应子波神经网络提出了一种船舶噪声分类方法，构造了一种用于船舶噪声分类的自适应子波神经网络分类器，并应用该分类器对前置处理后的三类船舶噪声进行了自动地提取识别特征，并分类。该方法所获得的特征空间与以ＡＲ建模方法获得的特征空间相比，类别之间的可分性好，特征数目少，分类结果令人满意，证明了该方法的优越性     

RBF神经网络在诱发脑电信号分类中的应用研究

采用RBF神经网络方法对麻醉状态下诱发脑电仿真信号进行分析,提出了一种通过基于RBF神经网络权值构造特征向量的特征提取方法,以达到提取信号特征的目的,并用BP神经网络分类器对提取的特征进行聚类,从而实现深浅麻醉状态下诱发脑电信号的分类,实验仿真结果表明了该方法的有效性．     

模式神经元网络的聚类方法研究

为了更好地模拟人脑对事物的学习、认知过程,笔者提出了模式神经元网络的聚类规则和方法,从而完善了这种新型的神经网络模型。与现有的人工神经网络不同,模式神经元网络不需要反复迭代就能达到学习、识别、分类的效果。实验结果表明：与自适应共振理论相比,模式神经元网络的学习效率快,识别精度高,分类效果也比较好。     

粗糙集神经网络在图像分割中的应用

提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.     

神经网络系统中的数据一致性算法

数据处理的步调一致是神经网络系统的重要问题.根据神经网络的特点,提出了新型的数据一致性算法.该算法的运行范围限制在请求神经元到根神经元之间,采用回溯方法寻找仲裁神经元,并采用逻辑时戳保证消息的时序性;算法采用残存树探测方法应对网络改造等问题.性能分析与仿真证明,该算法具有较低的消息复杂度、较短的响应延迟以及较好的容错性能.     

神经网络用于系统辨识的一种最小二乘法

讨论了用多层前向神经网络建立非线性系统模型的机理,然后通过对多层前向神经网络特点的分析,给出了一种基于线性最小二乘法的神经元网络训练方案。在该方案中,通过梯度法获取隐层神经元的输入,使用线性最小二乘法训练各神经元的权值和阈值。仿真结果表明该方案具有精度高、收敛速度快等特点。     

通信网络中缩减的Hopfield神经网络路由算法

为保证神经网络收敛于全局最优点,采用模拟退火算法研究了Hopfield神经网络的局部稳定问题,针对Hopfield神经网络路由算法需要神经元数目众多、计算量大的缺点,提出规模缩小化的Hopfield神经网络路由算法.采用减少神经元数量的方法,减小神经网络规模,提高路由运算能力和神经网络的适应性.比较了原路由算法和改进算法的迭代次数、运算速度和稳定状态能量函数,分析在通信网络和神经网络各参数变化情况下,迭代算法的收敛特性和稳定性的变化规律,总结神经网络路由计算3种约束系数之间的关系.结果表明,缩减的Hopfield神经网络路由计算较原算法具有更高的有效性、可靠性和应用适应性.     

基于加权模糊推理网络的文本自动分类方法

针对数据挖掘中的文本自动分类问题,提出了一种基于加权模糊推理网络的分类方法．网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点．根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法．该算法以文本特征谓词的真度作为分类依据,体现了模糊分类的思想以旅游站点网页分类为例验证了该方法的有效性。     

一种综合改进的BP神经网络及其实现

从网络拓扑结构、增加动量项、增加学习速率自适应调整、增加权重初始化的N－W法等几个方面讨论了BP神经网络的改进，通过这几种方法的组合实现了一种新的改进型网络。详述了网络结构参数如学习速率初始值、隐含元个数、网络收敛精度等的确定原则和方法，并针对某一问题进行了计算分析。计算中重点分析了学习速率和隐含元个数的确定、各种单一改进方法和综合改进方法的比较、网络训练样本量的取舍等。分析表明改进方法是有效果的。     

基于神经网络的P2P流量识别方法

利用小波神经网络实时学习和快速识别的优点,该文提出一种统计特征和小波神经网络相结合的P2P流量识别方法.在实际网络环境下,通过建立网络分类模型,统计分析并提取多种流量特性,通过小波神经网络对各种P2P应用流量特征的学习和识别,提高了P2P流量识别的准确度,改善了之前单一识别方法的复杂度.     

一种高性能可重构深度卷积神经网络加速器

由于深度卷积神经网络的卷积层通道规模及卷积核尺寸多样,现有加速器面对这些多样性很难实现高效计算。为此,基于生物脑神经元机制提出了一种深度卷积神经网络加速器。该加速器拥有类脑神经元电路的多种分簇方式及链路组织方式,可以应对不同通道规模。设计了3种卷积计算映射,可以应对不同卷积核大小;实现了局部存储区数据的高效复用,可大量减少数据搬移,提高了计算性能。分别以目标分类和目标检测网络进行测试,该加速器的计算性能分别达498.6×10 ⁹次/秒和571.3×10 ⁹次/秒;能效分别为582.0×10 ⁹次/(秒·瓦)和651.7×10 ⁹次/(秒·瓦)。