基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

基于ACA-NN的合肥公路客运预测与分析

针对BP神经网络存在无法有效收敛最优值问题,构建基于蚁群算法的优化神经网络的公路客运预测模型。该模型采用常见的BP神经网络结构,算法采用的是一种新型的进化算法——蚁群算法。然后以合肥市2012年公路客运预测为实例,尝试了蚁群优化神经网络ACONN在客运量预测中的应用,结果表明蚁群优化神经网络模型的预测精度比其他模型高。     

基于改进型基因表达式编程的神经网络优化设计

提出一种用基因表达式编程(GEP)自动设计神经网络的算法.针对标准GEP算法在优化神经网络过程中的早熟现象和变异率低问题,对算法进行了改进,并给出算法的具体应用实例.与其它优化算法的对比实验表明,GEP是一种有效的神经网络设计方法,并且改进的GEP算法比标准GEP算法进化效率高,将收敛率提高了37个百分点,收敛速度快,进化代数仅是标准算法的58%.     

改进差分进化算法优化BP神经网络用于入侵检测

为解决BP神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(SAMDE)优化BP神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(SA)和一种融合DE/rand/1与DE/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化BP神经网络权值阈值。通过逐次的迭代训练使BP神经网络收敛,将优化过的BP神经网络用于入侵检测。仿真实验结果显示,优化的BP网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。     

改进的萤火虫算法在神经网络中的应用

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题,提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略,并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明,基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。     

基于权值变化的BP神经网络自适应学习率改进研究

针对传统神经网络的学习率由人为经验性设定,存在学习率设置过大或过小,容易导致无法收敛或收敛速度慢的问题,本文提出基于权值变化的自适应学习率改进方法,改善传统神经网络学习率受人为经验因素影响的弊端,提高误差精度,并结合正态分布模型与梯度上升法,提高收敛速度.本文以BP神经网络为例,对比固定学习率的神经网络,应用经典XOR问题仿真验证,结果表明本文的改进神经网络具有更快的收敛速度和更小的误差.     

自适应磷虾群优化Elman神经网络的目标威胁评估

提出一种自适应磷虾群算法,在基本磷虾群算法中引入遗传繁殖机制,并加入进化算子和优化算子构成自适应环节,提高了算法的全局搜索能力和预测精度;通过自适应磷虾群算法对Elman神经网络的初始权值和阈值进行寻优,并在此基础上建立目标威胁评估模型。仿真实验表明,自适应磷虾群优化Elman神经网络既保证了一定的收敛速度,又能够使寻优精度得到明显提升,其对测试集的预测结果优于传统Elman神经网络和基本磷虾群优化Elman神经网络,从而验证了算法模型在目标威胁评估中的可行性、有效性。     

改进暂态混沌神经网络在信道分配中的应用

研究信道分配优化问题,由于传统迭代过程中存在收敛率低,易于陷入局部最优解等缺点。为改善算法收敛速率和信道分配效果,采用改进的暂态混沌神经网络(MTCNN)。在混沌神经网络的动态特性中采用时变增益,在退火过程中采取分段的退火机制,使得混沌搜索阶段保持较长时间的混沌态,利于进行全局搜索,稳定收敛阶段能够迅速收敛于最优解,提高收敛率。仿真结果表明,改进后的算法能很好地解决信道分配问题。和暂态混沌神经网络及仅分段的暂态神经网络相比,最优解率得到很大的提高,网络收敛速度提高了12%以上。最后,给出了模型参数对网络性能影响的一些结论。     

粒子群算法优化的BP网络预测软件质量

预测软件质量的技术中,软件建模技术是软件质量评价体系中的关键技术,它可以发现软件中度量数据和软件质量要素之间的非线性关系。BP神经网络能够很好地模拟度量数据和质量要素之间的非线性关系,但是BP网络存在易于陷入局部极小和收敛速度慢的问题,所以提出了用粒子群算法优化BP神经网络,通过优化的BP网络建立软件质量模型,这样能很好地解决BP网络收敛速度慢和局部极小的问题。在实现该进化BP神经网络的基础上,利用28组数据进行实验,并通过与BP模型的结果的比较,验证了该模型。     

不确定混沌系统的差分进化小波神经网络控制

提出一种基于小生境自适应差分进化小波神经网络（NADE-WNN）的方法对不确定混沌系统进行控制。该方法利用小波神经网络学习未知模型混沌系统的动态特性并实施控制,为提高神经网络的学习精度和收敛速度,采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和全局收敛性。仿真实验结果表明,在有外部干扰和参数摄动的情况下,NADE-WNN仍能对不确定混沌系统进行有效控制,且网络结构、控制精度和收敛速度都优于传统神经网络。     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

Ensembled neural networks applied to modeling survival rate for the patients with out-of-hospital cardiac arrest

The purpose of this study is to use ensembled neural networks (ENN) to model survival rate for the patients with out-of-hospital cardiac arrest (OHCA). We also use seven different sensitivity analyses to find out the important variables to establish a comprehensive and objective assessment method for the OHCA patients. After pre-filtering, we obtained 4,095 data for building this ENN model. The data have been divided into 60?% data for training, 20?% data for validation, and 20?% data for testing. The 11 inputs, including response time, on-scene time, patient transfer time, time to cardiopulmonary resuscitation (CPR), CPR on the scene, using drugs, age, gender, using airway, using automated external defibrillator (AED), and trauma type, and one output variable have been selected as ENN model structure. The results have been shown that ENN can model the OHCA patients and CPR on the scene, using drugs, on-scene time, and using airway in the top 4 of these 11 important variables after 7 different sensitivity analyses. Moreover, these four variables have also been shown significant differences when we use traditional one variable statistics analysis for these variables.     

基于冗余实例对消除算法的实例选择

实例选择能有效移除数据中的噪声和冗余数据,但现有方法难以在提高泛化能力的同时实现约简。针对该问题,提出一种冗余实例对消除算法用于实例选择。给出最近同类实例对的概念,计算数据集中存在的最近同类实例对,并移除满足条件的实例,在11个不同数据集上进行的仿真实验结果表明,经过该算法处理后的数据集在分类准确率和存储压缩率上较原始样本集有明显提升。对比剪辑最近邻规则算法,该算法能够在保持分类准确率的同时提高平均存储压缩率35%以上,并完整保留原始样本集的数据分布特征,在分类准确率和存储压缩率上取得折中。     

基于启发式BP算法的软件缺陷预测模型

针对软件缺陷预测时缺陷数据集中存在的类别分布不平衡问题，结合上采样算法SMOTE与Edited Nearest Neighbor (ENN) 数据清洗策略，提出了一种基于启发式BP神经网络算法的软件缺陷预测模型。模型中采用上采样算法SMOTE增加少数类样本以改善项目中的数据不平衡状况，并针对采样后数据噪声问题进行ENN数据清洗，结合基于启发式学习的模拟退火算法改进四层BP神经网络后建立分类预测模型，在AEEEM数据库上使用交叉验证对提出的方案进行性能评估，结果表明所提出的算法能够有效提高模型在预测类不平衡数据时的分类准确度。     

基于改进Elman神经网络的制糖企业原糖需求预测模型

制糖企业采用传统算法进行原糖需求预测时忽略了时间因素,而且没有考虑行业特点,导致预测准确性有限。针对上述问题,结合制糖原材料的供需周期特点,提出一种时间特征关联的使用改进布谷鸟搜索（MCS）优化的Elman神经网络需求量预测模型TMCS-ENN。首先,通过提出自适应学习速率公式来优化Elman神经网络（ENN）;其次,引入自适应寄生失败概率和自适应步长控制量公式得到MCS算法来优化ENN的权值和阈值,从而有效提高模型的局部搜索能力,避免局部最优;最后,结合制糖企业原材料购买的时间相关性和滞后性规律,基于周粒度设计数据切片,并以节假日作为重要特征训练ENN,得到预测模型TMCS-ENN。实验结果表明,以周为时间粒度的情况下,TMCS-ENN预测模型的预测精度达到93.89%。可见TMCS-ENN能够满足制糖企业原材料采购需求的预测精度,有效提高企业生产效率。     

基于改进混合采样和XGBoost算法的信用卡欺诈检测方法

随着金融机构信用卡业务的快速发展,信用卡欺诈行为成为金融机构面临的严峻问题。针对金融机构信用卡数据分布不均衡问题,本文采用过采样、降采样、SMOTE+ENN、SMOTE+Tomeklin、改进的SMOTE+Tomeklin和改进的SMOTE+ENN混合采样这6种不同采样方法对不平衡数据进行平衡处理,然后将平衡数据集输入到多种分类算法模型中进行实验比对,最后提出一种基于改进的SMOTE+ENN混合采样和XGBoost算法的信用卡欺诈行为检测模型。通过5种评价指标验证该检测方法不仅提高了信用卡欺诈行为不平衡数据的区分度,同时提高了信用卡欺诈行为检测的准确性和可行性。     

Forecasting wind speed using empirical mode decomposition and Elman neural network

Because of the chaotic nature and intrinsic complexity of wind speed, it is difficult to describe the moving tendency of wind speed and accurately forecast it. In our study, a novel EMD–ENN approach, a hybrid of empirical mode decomposition (EMD) and Elman neural network (ENN), is proposed to forecast wind speed. First, the original wind speed datasets are decomposed into a collection of intrinsic mode functions (IMFs) and a residue by EMD, yielding relatively stationary sub-series that can be readily modeled by neural networks. Second, both IMF components and residue are applied to establish the corresponding ENN models. Then, each sub-series is predicted using the corresponding ENN. Finally, the prediction values of the original wind speed datasets are calculated by the sum of the forecasting values of every sub-series. Moreover, in the ENN modeling process, the neuron number of the input layer is determined by a partial autocorrelation function. Four prediction cases of wind speed are used to test the performance of the proposed hybrid approach. Compared with the persistent model, back-propagation neural network, and ENN, the simulation results show that the proposed EMD–ENN model consistently has the minimum statistical error of the mean absolute error, mean square error, and mean absolute percentage error. Thus, it is concluded that the proposed approach is suitable for wind speed prediction.     

一种新的步态特征提取方法的研究

提出一种新的步态特征提取方法,首先利用坎尼算子提取前端腿部的边缘线,并对底部可能产生的误差点进行剔除;接着计算每两帧之间腿部边缘线每个像素点前进的位移,作为原始步态特征;然后,对步态特征进行远近归一化处理,消除被拍摄对象与拍摄镜头之间因距离不同所产生的影响;最后运用主成分分析,将特征空间维度由60维降到3～4维。在识别阶段,用归一化欧式距离计算样本之间的相似程度。提出的这种新的步态特征提取算法在3个人每人4个序列的小样本纯数据库上用最近标本分类器验证所提算法的性能,正确分类率为83.33%;在5个人每人4个序列的小样本混合数据库上,正确分类率为55%。     

采用奇异值分解和信息增益的树突状细胞模型

针对树突状细胞算法（Dendritic Cell Algorithm,DCA）存在的信号提取过程中受人工经验影响和对无序数据的异常检测能力不强的问题,提出了采用奇异值分解（Singular Value Decomposition,SVD）和信息增益（Information Gain,IG）的树突状细胞模型--SIDCA。SIDCA用奇异值分解（SVD）方法得到最相关特征子集,再使用信息增益提取最相关特征子集中的最相关特征,实现自适应提取信号,降低无序数据给算法带来的混淆。实验结果表明,与经典DCA和确定性DCA（Deterministic Dendritic Cell Algorithm,dDCA）相比,SIDCA在有序和无序数据集上均有更高的准确率和更低的误报率。     

基于LFKPCA-DWELM的入侵检测方案

基于机器学习的入侵检测系统普遍存在由于入侵数据维度大、数据样本不均衡和离散度大而严重影响分类性能的问题。提出了一种基于LFKPCA-DWELM的入侵检测算法,用改进的果蝇算法（LFOA）对核主成分分析算法（KPCA）进行优化,用优化后的核主成分分析算法（LFKPCA）对数据进行特征提取,将处理后的数据用于基于数据离散度的加权极限学习机（DWELM）的训练,最后使用训练好的模型进行分类实验。实验结果显示,该算法有效提高了检测率,降低了误报率和检测时间。