基于神经网络与证据理论的入侵检测系统

针对基于神经网络(ANN)的入侵检测系统(IDS)难以得到足够丰富的实测样本这一问题,引入信息融合的观点,提出了一个基于神经网络与证据理论相结合的入侵检测系统模型。模型的神经网络模块是由自组织映射网络(SOM)和反向误差传播网络(BP)合成的,并将BP网络的输出作为证据,输入到证据理论模块。通过证据理论模块的信息融合,降低了虚警率,提高了检测率。     

基于KPCA粒子群算法的预报模型优化研究

空气质量关系着人们的身体健康,因此研究实时、高效的空气质量预报系统,不仅能为公众出行提供指导,还能指导职能部门防控重污染天气并提供相应技术支持.近几年,国内外对预报理论及方法的研究主要集中在BP神经网络预报[1].Deden Supriyatman[2]应用传统BP神经网络预报输气管道腐蚀速率,N.Haghdadi等人[3]应用改进BP网络预报半固态A356铝合金的热变形行为,对学习步长加入动量项,改善了收敛慢的问题,但预报精度较低.蒋吉丽基于BP神经网络的强对流天气预报模型,将观测实况资料作为专家样本对BP神经网络模型进行训练和测试,对训练好了的模型进行了对比测试,为强对流天气的预报提供了依据.分析学者们的预报方法,均考虑了问题的非线性特征,利用BP网络处理非线性问题的优势,建立预报模型,但忽略了数据的相关性和神经网络参数初始化的随意性带来的影响,因此,在实际应用中预报精度较低,速度较慢.     

海区声速剖面的现场反演方法

针对海区垂直声速剖面的预报问题,利用后向传播( BP)神经网络建立了反演模型,实现基于现场测量数据和历史数据的声速剖面实时预报。首先根据经验正交分析,由海区的历史平均数据提取出表征其主要变化特征的经验正交函数;构建三层BP网络,用前几阶经验正交函数及海区声速剖面历史样本对网络进行训练;再将海区表面温度现场遥感数据结合历史数据转化为声速样本,输入到BP网络进行海区垂直声速剖面的反演。经过实验数据分析,相比用平均声速剖面表示现场结果而言,反演剖面更加接近实际测量值,适用于海区垂直声速剖面的实时预报。     

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统BP网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和BP网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景.     

基于SOM和BP神经网络的入侵检测模型研究

1模型描述 本文中我们提出一个基于SOM和BP两种神经网络的网络入侵异常检测模型,利用SOM网络的自组织特性对网络数据流量强度进行建模和聚类,利用BP网络进行入侵企图的识别.模型的流程图如图1所示.     

利用SOM网络模型进行聚类研究

自组织特征映射（SOM）是Kohonen提出的一种人工神经网络模型,其整个学习过程是在输入样本空间内进行．并以欧氏距离为度量。本文先介绍了SOM网络模型的来源,接着对SOM网络的结构与学习过程进行了介绍,最后给出了一个SOM网络模型在聚类中的程序实例。     

基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

基于MATLAB神经网络的水稻需水量的预报模型

作物需水量的预测是进行水资源规划和管理的有效手段。它与气象因子之间存在着严重的非线形关系。建立4个输入单元和1个输出单元的三层BP网络，选取不同的隐层结点数进行训练，并通过比较其相对误差的大小确定了神经网络的结构。利用MATLAB环境．提出基于BP神经网络的水稻需水量预报模型，并结合实际数据进行了检验。结果表明：该方法能够较好地反映气象因子与水稻需水量之间的关系，收敛速度快，预报精度较高。     

BP神经网络在地震预测中的应用研究

为了对未来地震趋势进行预测,提出一种BP神经网络预测方法。利用Matlab建立BP神经网络模型,并以滇西南地震数据为学习样本对网络模型进行了训练和仿真测试研究。研究结果表明,利用BP神经网络模型预报的地震震级与实际震级误差在8%以下,说明所建模型具有较好的适应性和预报精度。该方法对地震震级的预测具有一定的指导作用和参考价值。     

沙尘暴综合预报系统中场特征提取方法的研究

沙尘暴天气频繁发生,严重干扰和影响着人们的正常生活,对社会经济和生活环境均造成一定程度的危害.根据沙尘暴天气的成因及特点,在分析现有特征提取方法弊病的前提下,提出了ANN沙尘暴综合预报系统场特征提取方法.首先进行距平运算数据预处理,获取沙尘暴成因物理场样本;然后利用论文方法进行场特征提取.在此基础上,借助综合预报思想构建并实现了遗传ANN沙尘暴预测系统.仿真结果表明,论文所研究的场特征提取方法在提高沙尘暴预报的准确率方面做出了较大的贡献.     

一种数据增强和多模型集成的细粒度分类算法

针对解决数据缺少和单个卷积网络模型性能的限制造成细粒度分类准确率不高的问 题，提出了一种数据增强和多模型集成融合的分类算法。首先通过镜像、旋转、多尺度缩放、高 斯噪声、随机剪切和色彩增强6 种变换对CompCars 数据集进行增强处理，然后采用差异化采样 数据集的方法训练CaffeNet、VGG16 和GoogleNet 3 种差异化的网络。然后采用多重集成的方法 集成多种模型的输出结果。实验中测试网络结构在不同数据增强算法和不同模型集成下的分类结 果。模型集成的分类准确率达到94.9%，比最好的单GoogleNet 模型的分类精确率提高了9.2 个 百分点。实验结果表明该算法可以有效地提高分类的准确率。     

基于粒子群算法的神经网络短期降水预报建模研究

用多样性粒子群算法优化神经网络的网络结构和连接权，获得神经网络集成个体；进一步用二次规划方法，计算各集成个体的最优非负权系数进行组合集成，生成神经网络集成的输出结论，进行短期降水预报建模研究．以广西全区的月降水量实例分析，结果表明该方法能有效提高系统的泛化能力．     

最小一乘回归神经网络集成方法股市建模研究

提出了一种新的神经网络集成股市建模方法,采用偏最小二乘方法构造神经网络输入矩阵,利用Bagging技术和不同的神经网络学习算法生成集成个体,再用遗传算法选择参与集成的个体,以"误差绝对值和最小"为最优准,建立最小一乘回归神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.     

基于神经网络集成技术构建IDSS知识库的研究

神经网络集成通过训练多个神经网络并将其结果进行合成,可以显著地提高学习系统的泛化能力,有助于工程技术人员利用神经网络技术来解决真实世界中的问题。在分析智能决策支持系统（IDSS）目前面临问题基础上,论述了神经网络集成实现的方法,对神经网络集成技术在构建IDSS知识库中的应用进行了研究,并成功进行了实现。     

SOM Ensemble-Based Image Segmentation

Image segmentation plays an important role in image analysis and image understanding. In this paper, an image segmentation method based on ensemble of SOM neural networks is proposed, which clusters the pixels in an image according to color and spatial features with many SOM neural networks, and then combines the clustering results to give the final segmentation. Experimental results show that the proposed method performs better than some existing clustering-based image segmentation methods.     

SOM神经网络模型在商业银行信用风险评估中的应用研究

研究了神经网络技术在商业银行信用风险评估中的应用,结合主成分分析法和SOM人工神经网络,建立了商业银行信用风险评估的人工神经网络模型;实证结果表明,该模型具有较高的预测精度.     

基于神经网络集成学习算法的金融时间序列预测

本文在传统神经网络(NN)、循环神经网络(RNN)、长短时记忆网络(LSTM)与门控循环单元(GRU)等神经网络时间预测模型基础上, 进一步构建集成学习(EL)时间序列预测模型, 研究神经网络类模型、集成学习模型和传统时间序列模型在股票指数预测上的表现. 本文以16只A股和国际股票市场指数为样本, 比较模型在不同预测期间和不同国家和地区股票市场上的表现.本文主要结论如下: 第一, 神经网络类时间序列预测模型和神经网络集成学习时间序列预测模型在表现上显著稳健优于传统金融时间序列预测模型, 预测性能提高大约35%; 第二, 神经网络类模型和神经网络集成学习模型在中国和美国股票市场上的表现优于其他发达国家和地区的股票市场.     

基于岛屿迁徙模型的RBF网络集成及其应用研究

神经网络集成是一种通过组合每个神经网络的输出生成最后预测的很流行的学习方法,可以显著地提高学习系统的泛化能力。为了提高集成方法的有效性,提出了一种基于分而治之的思想和岛屿迁徙模型的径向基神经网络集成的新方法。实验结果表明,岛屿迁徙神经网络集成预测模型不但可以提高系统对多维空间的高维搜索能力,简化网络结构,而且在产品的自动化检测试验中也可获得更高的预测精度。