基于改进DNN的糖尿病预测模型设计

为预防和降低糖尿病发病率,对糖尿病进行有效的诊断预测,提出基于改进DNN的糖尿病预测模型.在DNN基础上引入批归一化(batch normalization,BN)层,有效解决梯度消失、局部最优解等问题,提高模型预测准确度.实验在UCI公开的皮马印第安人糖尿病数据集(PIDD)上进行,利用XGBoost算法进行最优特征...     

基于交叉验证的BP算法的改进与实现

针对BP算法存在的收敛速度慢等问题提出改进方案,修改其相关参数并且提出如何选择合适的隐藏层节点个数.同时针对学习样本数据的有限性、BP算法易陷入局部最小值和容易出现过拟合等问题进行了研究,提出了采用多重交叉验证的再改进BP算法.仿真结果表明,交叉验证BP算法提高了网络学习的效率.     

神经网络稳定性的交叉验证模型

根据Skutin提出的交叉验证理论,针对神经网络学习算法提出了神经网络稳定性的交叉验证模型,并选择4种应用广泛、具有代表性的神经网络作为研究对象,通过随机数据集和UCI数据集上的数据实验结果得出了BP、RBF、GRNN、ELM等4种神经网络的稳定性排序,并用统计检验方法对排序结果进行了检验。     

加权交叉验证神经网络在水质预测中的应用

在之前的研究中使用人工神经网络进行水质指标预测已经取得一定效果,在此基础上将交叉验证应用于人工神经网络的训练,获得更加准确的预测结果。以澧水某监测站的水质实测数据作为样本,选取总磷、总氮、溶解氧等6个指标,建立水质预测模型。在运用Levenberg-Marquardt优化算法对学习样本进行优化的基础上,采用加权的k-fold交叉验证方法来构建神经网络集合,构建集合时采取三种不同的混合方式：平均值、中间值和加权累积。针对不同的指标,进行了一系列的实验,总的来说,新的预测方法与简单0倍验证相比有更好的预测结果,在所有指标中氨氮和溶解氧含量预测准确率比其他指标高。     

基于改进交叉覆盖设计算法的鲁棒性

在对交叉覆盖设计算法进行分析的基础上,针对该算法所显示的鲁棒性不强的问题,给出了一种改进的方法。模拟实验表明了这种改进能够明显地提高神经网络的泛化能力。     

一种改进的蒙特卡罗交叉验证算法

概率聚类的算法已经广泛地应用于聚类分析领域,但是这些算法都没有回答如何选择一个最佳的聚类个数的问题。该文首先分析了通用的确定概率聚类个数的方法,然后针对蒙特卡罗交叉验证算法不能解决后验概率分散的问题,提出一种改进的蒙特卡罗交叉验证算法(iMCCV)。实验结果证明该算法可以有效地确定最佳K值。     

基于交叉验证的集成学习误差分析

目前关于集成学习的泛化性能的研究已取得很大成功,但是关于集成学习的误差分析还需要进一步研究.考虑交叉验证在统计机器学习中对于模型性能评估有重要应用,为此,应用组块3×2交叉验证和k折交叉验证方法为每个样本点进行赋予权重的预测值的集成,并进行误差分析.在模拟数据和真实数据上进行实验,结果表明基于组块3×2交叉验证的集成学习预测误差小于单个学习器的预测误差,并且集成学习的方差比单个学习器方差小.与基于k折交叉验证的集成学习方法相比,基于组块3×2交叉验证的泛化误差小于基于k折交叉验证的泛化误差,说明基于组块3×2交叉验证的集成学习模型稳定性好.     

交叉验证的BP神经网络恒星光谱分类

LAMOST作为国家重大科学工程项目,目前在世界上对光谱的观测、获取率最高,为天文学的研究与发展提供大量的数据和信息资源.根据LAMOST发布的恒星光谱数据文件,从中提取出关于恒星光谱波长的数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理.利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表对其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经网络相结合的方法, BP神经网络算法可对多组不同的数据进行测试,得到多组测试结果并求得平均值,可得到BP神经网络模型相对稳定的测试结果并降低结果的随机性.     

基于交叉认证网的证书验证优化设计

针对现行证书验证方窠存在的缺陷和交叉认证网模型中证书验证的复杂性,得出对交叉认证网模型证书验证进行优化的必要性,并提出了一个优化的证书验证方案,给出了优化设计的思路,对各种优化设计的技巧进行了说明,最后给出了该方案的实现流程图。     

基于RBF神经网络的交叉检验图像降噪方法

径向基神经网络(RBFNN)有很好的函数逼近能力,本文把图像看成函数,用RBFNN来表示图像,并在学习过程中进行逼近,采用交叉检验的方法来确定网络模型并控制学习过程,使得网络既能较好地逼近图像,又对噪声进行抑制,从而达到图像降噪的目的。实验证明这是一个可行的盲目图像降噪方法,有广泛的适用性。本文还给出了实验中改进交叉检验方法的技术,给出了与wiener滤波器降噪的实验效果对比图。     

基于RBF网络的地下水动态模拟与预测

准确地预测地下水位对人民生活、生产都有很重要的意义.针对地下水位是一个与多种因素相关的复杂的非线性问题,利用RBF(Radial Basis Function)神经网络自适应确定、输出与初始权值无关等优良特性,将该网络应用于某地下水动态模拟与预测,演示训练样本集与检测样本集的构建、原始数据的预处理、神经网络的构建训练和检测及结果评价的整个过程.并且通过仿真确定了最佳的径向基函数的分布spread,达到了很好的预测效果.     

基于粗糙集理论的RBF神经网络剪枝算法

分析了满足给定学习误差要求的最小结构神经网络的各种实现方法.把粗糙集理论引入神经网络的结构构造中;提出了一种基于粗糙集理论的RBF神经网络剪枝算法,并将这种算法与现有剪枝算法相比较.最后将该算法应用于热工过程中过热气温动态特性建模.仿真结果表明基于该算法的神经网络模型具有较高的建模精度以及泛化能力.     

基于RBF神经网络的短期负荷预测

短期电力负荷预测是电力系统运行调度中一项重要的内容,传统的电力负荷预测方法都是建立在线性假设基础之上,由于预测精度低,难以满足现在电力部门的要求。人工神经网络己被应用在电力负荷预测中,并取得了较为理想的结果。主要基于神经网络的负荷预测模型,通过MATLAB仿真实验平台,构建RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差较小,取得了令人满意的结果。     

基于RBF神经网络的PID控制

传统PID的控制参数难以精确整定,且依赖于对象的精确数学模型,适应性较差,对复杂过程不能保证其控制精度。针对工业控制领域中大滞后系统,采用传统PID控制不能获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法。该方法利用RBF神经网络的自学习、自适应能力自调整系统的控制参数。仿真表明,该方法可实现有效的控制,并且与常规PID相比,具有更好的自适应性和鲁棒性。     

基于RBF的模糊神经网络控制器设计与仿真分析

介绍一种基于RBF的模糊神经网络设计与仿真分析的实现方法。该方法利用MATLAB中的神经网络工具箱图形用户界面GUI结合模糊控制规则表给定的输入/输出样本数据设计、构建RBF模糊神经控制器,并在Simulink中建立系统仿真模型。通过对阶跃输入信号作用下系统动态性能的仿真分析,结果表明基于RBF的模糊神经控制器有良好的控制性能。     

基于GEP优化的RBF神经网络算法

RBF神经网络作为一种采用局部调节来执行函数映射的人工神经网络,在逼近能力、分类能力和学习速度等方面都有良好的表现,但由于RBF网络的隐节点的个数和隐节点的中心难以确定,从而影响了整个网络的精度,极大地制约了该网络的广泛应用.为此本文提出基于GEP优化的RBF神经网络算法,对其中心向量及连接权值进行优化.实验表明,本文所提算法比RBF算法的预测误差平均减少了48.96% .     

基于距离和密度聚类的RBF网络结构设计

为确定径向基函数RBF(radial basis function)神经网络隐含层结构,并针对基于距离或密度聚类的RBF神经网络的限制,提出一种基于距离和密度聚类(GDD)算法的RBF神经网络.GDD算法通过计算每个样本的密度,各样本间的距离及相似条件(密度标准、距离标准),相似条件是根据样本分布而改变的,进行样本空间...     

基于RBF神经网络的热电偶建模方法

针对热电偶的测量精度问题,建立了热电偶传感器的数学模型。此数学模型采用RBF神经网络,利用带遗忘因子的梯度下降算法进行网络参数的调整,并给出了建模步骤。实际结果表明,该模型具有较高的精度。     

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法,并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明,改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优,优化后的控制器具有很强的自适应性和鲁棒性。     

基于信息强度的RBF神经网络结构设计研究

在系统研究前馈神经网络的基础上,针对径向基函数(Radial basis function, RBF) 网络的结构设计问题,提出一种弹性RBF神经网络结构优化设计方法. 利用隐含层神经元的输出信息(Output-information, OI)以及隐含层神经元与输出层神经元间的交互信息(Multi-information, MI)分析网络的连接强度, 以此判断增加或删除RBF神经网络隐含层神经元, 同时调整神经网络的拓扑结构,有效地解决了RBF神经网络结构设计问题; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对典型非线性函数的逼近与污水处理过程关键水质参数建模, 结果证明了该弹性RBF具有良好的动态特征响应能力和逼近能力, 尤其是在训练速度、泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation net works, MRAN)、增长修剪RBF 神经网络(Generalized growing and pruning RBF, GGAP-RBF)和自组织RBF神经网络(Self-organizing RBF, SORBF)有较大的提高.