智能决策支持系统的模型技术及研究趋势

本文介绍了关于智能决策支持系统(IDSS)及其最核心部分模型系统，对当前基于IDSS最有影响的几种模型表示方法、模型操纵技术等进行了讨论，并对目前人工智能技术的热点神经网络(NN)，以及最新出现的新技术数据仓库(DW)和数据采掘技术(DM)及其对IDSS未来发展的影响进行了探讨，指出了IDSS的研究趋势。     

神经网络集成

神经网络集成通过训练多个神经网络并将成结论进行合成，可以显著地提高学习系统的泛化能力。它不仅有助于科学家对机器学习和神经的深入研究，还有助于普通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。因此，它被视为一种广阔应用前景的工程化神经计算技术，已经成为机器学习和神经计算领域的研究热点。该文从实现方法、理论分析和应用成果等三个方面综述了神经网络集成的国际研究现状，并对该领域值得进一步研究的一些问题进行了讨论。     

在癌症分类中基于PPS抽样的集成神经网络算法

针对样本重组的有效性和合理性问题,将PPS抽样技术引入样本重构,提出了基于PPS抽样的集成神经网络算法,以提高个体神经网络的准确性与差异度,并实现动态选择个体神经网络的神经网络集成新方法.最后在结肠癌数据集上进行实验,实验结果表明,该方法与采用多个互相合作互相竞争的个体神经网络集成方法相当,但计算量更小,所用运算时间更少,效率更高.     

粗集神经网络及其在智能信息处理领域的应用

通过对近10年发展起来的粗集神经网络集成技术的总结和归纳,可将粗集神经网络集成技术分为3种:粗集神经网络混合系统、粗边界神经网络和粗-颗粒神经网络.介绍了每种集成技术的研究现状,分析和阐述了其原理及特点.最后,总结了当前粗集神经网络集成技术中需关注的一些问题,并指出了进一步研究的方向.     

神经网络与专家系统结合的DSS模型智能构造

模型智能构造是目前IDSS发展的一个趋势.针对DSS模型构造中存在的问题,提出了一种神经网络与专家系统结合的DSS模型智能构造方案及其系统结构.在对文字描述和数据描述分离的基础上,应用专家系统实现模型类型的选择,应用神经网络实现模型结构的构造.以ARMA模型智能构造为例,说明了方法的可行性和有效性.     

基于数据自律分发的神经网络集成模型

针对神经网络在求解大规模数据时表现出的计算能力不足的瓶颈问题,本文在对神经网络集成理论及其算法进行分析研究的基础上,结合自律分散系统提出一种新的基于数据自律分发实现的神经网络集成模型,设计了该模型下由Pull-MA和Push-MA实现的确保时序一致性的通信机制,并给出了用于实现网络中数据自律分发和结果自律收集评价的训练算法.实验结果表明,所构建模型和集成算法对大规模数据的处理能达到理想的训练效果,网络具有良好的泛化和分类能力.     

一种基于聚类技术的选择性神经网络集成方法

神经网络集成是一种很流行的学习方法,通过组合每个神经网络的输出生成最后的预测、为了提高集成方法的有效性,不仅要求集成中的个体神经网络具有很高的正确率,而且要求这些网络在输入空间产生不相关的错误．然而,在现有的众多集成方法中,大都采用将训练的所有神经网络直接进行组合以形成集成,实际上生成的这些神经网络可能具有一定的相关性．为了进一步提高神经网络间的差异性,一种基于聚类技术的选择性神经网络集成方法CLU_ENN被提出．在获得个体神经网络后,并不直接对这些神经网络集成,而是先应用聚类算法对这些神经网络模型聚类以获得差异较大的部分神经网络;然后由部分神经网络构成集成;最后,通过实验研究了CLU_ENN集成方法,与传统的集成方法Bagging相比,该方法取得了更好的效果。     

基于神经网络集成的专家系统模型

提出一种基于神经网络集成的专家系统模型,并给出神经网络集成的构造算法.在该模型中神经网络集成作为专家系统的一个内嵌模块,用于专家系统的知识获取,克服了传统专家系统在知识获取中的＂瓶颈＂问题.并将该模型用于图书剔旧系统中,初步建成基于神经网络集成的图书剔旧专家系统原型.     

智能决策支持系统(IDSS)研究进展

在认真研究IDSS发展历史的基础上，从基于人工智能的IDSS、基于数据仓库的IDSS和IDSS的统一表示三个方面对IDSS进行分析总结，对基于人工智能的IDSS，又从专家系统、机器学习和Agent三个方面对其进行研究．认为当前IDSS研究的重点仍然是智能部件的设计与实现、各个部件之间的有效接口和系统综合集成这几方面．结合当前数据仓库、Agent等多种新技术的出现，指出综合利用多种技术来构建集成式系统是IDSS未来发展的方向．     

基于神经网络和专家系统的故障诊断

分析了专家系统和神经网络在故障诊断中的应用，针对两种技术各自的优缺点，建立了一个基于神经网络和专家系统的采煤机集成故障诊断系统，介绍了系统的结构，诊断策略及神经网络的学习算法，并给出了仿真结果。     

基于神经网络集成的入侵检测研究

提出一种新的基于神经网络集成的入侵检测方法。首先通过有区别地对待不同的训练数据训练神经网络，提高对小类别入侵的检测能力并防止网络训练中的退化现象；然后利用一种新的改进遗传算法优化集成网络的权，提高系统整体性能。理论和实验表明该方法具有较好的检测能力。     

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.     

A new genetic feature selection with neural network ensemble

A neural network ensemble is a learning paradigm in which a finite collection of neural networks is trained for the same task. Ensembles generally show better classification and generalization performance than a single neural network does. In this paper, a new feature selection method for a neural network ensemble is proposed for pattern classification. The proposed method selects an adequate feature subset for each constituent neural network of the ensemble using a genetic algorithm. Unlike the conventional feature selection method, each neural network is only allowed to have some (not all) of the considered features. The proposed method can therefore be applied to huge-scale feature classification problems. Experiments are performed with four databases to illustrate the performance of the proposed method.     

基于改进聚类分析的神经网络集成方法应用研究

随着工业生产规模扩大、生产过程日趋复杂,人们对过程模拟提出了更高的要求。提出一种基于改进聚类分析的神经网络集成方法。首先,根据数据密度分布,改进传统K-均值聚类分析中初始中心点选取的不足,对样本进行分类,扩大样本间的差异性;第二,运用具有快速学习能力的广义回归神经网络算法对各类样本建立个体神经网络并进行训练;第三,对所有样本增加构造补偿神经网络,进行误差补偿,以消除由于选择错误造成的输出误差;最后,根据计算得到的聚类中心对输入样本进行数值分析,选择输出个体神经网络,并与构造的补偿网络输出进行比较,最终实现神经网络集成。通过人工数据Sinc验证模型,此方法有效提高了模型精度,对提高过程模拟准确性提供了新途径。     

基于样本重构的神经网络集成学习方法

在回顾以往神经网络集成的研究成果基础上，提出一种新的负相关学习方法，该方法易于执行，计算量小，有效的消除了学习中的复合线性问题，减小了集成误差，最后用测试用例对该方法进行了考察，证明该方法可以有效的降低集成预测误差，得到较为理想的集成效果。     

一种基于神经网络集成的规则学习算法

将神经网络集成与规则学习相结合，提出了一种基于神经网络集成的规则学习算法．该算法以神经网络集成作为规则学习的前端，利用其产生出规则学习所用的数据集，在此基础上进行规则学习．在UCl机器学习数据库上的实验结果表明，该算法可以产生泛化能力非常强的规则．     

一种主动学习神经网络集成方法

分析了神经网络集成泛化误差、个体神经网络泛化误差、个体神经网络差异度之间的关系,提出了一种个体神经网络主动学习方法．个体神经网络同时交互训练,既满足了个体神经网络的精度要求,又满足了个体神经网络的差异性要求．另外,给出了一种个体神经网络选择性集成方法,对个体神经网络加入偏置量,增加了个体神经网络的可选数量,降低了神经网络集成的泛化误差．理论分析和实验结果表明,使用这种个体神经网络训练方法、个体神经网络选择性集成方法能够构建有效的神经网络集成系统．     

基于神经网络的垃圾焚烧炉过程控制

人工操作排除垃圾焚烧炉故障对操作员要求较高,且自动化程度低.应用BP神经网络方法,采用madab软件编程建立垃圾焚烧炉过程控制模型,对垃圾焚烧炉两种典型故障的排除进行研究.在过程控制模型的建立过程中,采用神经网络集成,提高神经网络模型的泛化能力.最后以49组实际工况数据作为检验样本,检验误差率为7.612%和6.429%.检验结果表明神经网络集成可以提高模型的计算精度,该模型可以用于垃圾焚烧炉过程控制,提高设备的自动化程度.