Ncut聚类与增量支持向量机的SMB智能建模

针对当前SMB （simulated moving bed）难以实时在线测得输出组分纯度的现状,结合Ncut （normalized cut）聚类及增量学习支持向量机的方法建立达到周期性稳定状态时系统的智能模型。采用Ncut方法对离线采集的数据样本进行聚类,得到样本的聚类结果;将聚类后的样本数据按反复记忆增强机制输入向量机进行增强‐增量学习训练;将原始测试样本输入到训练好的模型中进行检验。检验结果表明,采用该模型可以获得更好的模型适应度和检验精度,仿真结果验证了该方法的有效性。     

基于假设检验及异常点剔除的稳健LS-SVM回归

提出一种稳健的LS-SVM回归算法。该算法建立在异常样本逐步剔除的框架上,每次循环中选择误差最大的样本加以考察,然后使用统计假设检验方法对其进行诊断。若样本被诊断为异常样本,则将其剔除,并重新训练LS-SVM,为下一轮的异常点诊断和剔除提供更准确的信息。同时为了减少运算复杂度,我们还将减量学习引入到算法的重新训练过程中,从而保证算法的附加复杂度不超过O(N³)。仿真数据集和实际数据集上的详细实验证实该算法的优越性,并提供一种使用该算法建立异常样本检测器的思路。     

基于SVM的大学生热点问题的研究

基于SVM(Support Vector Machine)分类器来建立大数据的文本分类机制是目前的热点研究之一。针对于怎样将SVM应用到大学生网络社区文本数据的分析,并从中挖掘出大学生热点问题,是SVM应用的一个新尝试。利用SVM可以在大规模的网络社区文本数据中得出准确的训练模型以及预测结果,在此基础上给出了特征向量构造以及有效选取SVM参数的方法,同时给出了剔除重复样本的策略,最后还会研究特征选择对SVM分类效率的影响。     

基于近邻距离的大规模样本集去噪与减样

在分析传统样本缩减方法局限性的基础上,提出一种距离模型及样本的类内距离和类间距离的度量方法。给出利用该距离模型进行噪声识别和样本重要性评价方法及训练样本的缩减算法。该算法剔除噪声样本,根据样本相似性、类间距离和周围被剔除样本的数目,直接从原始样本空间剔除次要样本。仿真结果表明,该距离模型偶然性小,抗噪能力强,缩减效果优于传统的样本缩减方法。     

基于SOM的预警模型研究与应用

在预警系统中建立有效的风险预警模型是十分重要的。我国进行风险预警起步较晚，历史数据残缺不全，预警时有些因素带有模糊性，而神经网络带有高度并行处理信息的机制且有自学习、自适应能力，因而使系统灵活性更强。本文提出并建立了一种基于SOM神经网络的风险预警模型，解决了模型训练和样本选用中的一些问题。最后用实际数据对模型进行了检验，对预警结果进行了分析。     

基于样本差异度的SVM训练样本缩减算法

为了对大规模训练样本进行缩减,提出了k近邻向量,给出了一种新的样本差异度的计量方法,证明了该差异度关于噪声识别和类边界距离的几个性质。依据此性质提出了一个高效的SVM训练样本缩减算法,算法首先根据样本差异度的性质剔除噪声样本,然后用类间差异度近似表示类边界距离,结合样本相似性,直接从原始样本空间剔除次要的训练样本。仿真结果表明,减样算法可以有效缩减样本,提高训练效率。     

基于SOM-PNN的信贷风险预警模型研究

信贷对现代市场经济非常重要，同时又会带来风险．以人工智能的思想为指导，将SOM与PNN网络相结合．提出并建立了一种基于SOM-PNN的信贷风险预警模型；结合统计理论方法对输入样本进行预处理，解决了网络训练中样本选用的问题；并利用因素分析方法对预警结果进行了解释．实验表明，利用该模型在得到可视化预测结果的同时，还可得到较高的预警精度．     

带权重的RBF神经网络银行个人信用评价方法

针对RBF神经网络确定核函数中心时没有考虑输入样本分类指标权重的问题,提出了一种动态加权聚类算法.在算法中利用样本之间的加权距离代替了欧氏距离作为选定核函数中心的量度.在此基础上,建立了信用评价模型,利用已知类别的样本对模型进行训练,再利用训练好的模型对未知类别的样本进行预测,实验结果验证了模型的有效性.     

基于局部坐标稀疏表示和最小二乘的基因表达数据分类

局部坐标稀疏表示可以使测试样本由其近邻样本线性近似表示,借鉴此思想,在稀疏表示模型中引入局部距离加权并添加非负约束,求解得到测试样本在训练集上的表示系数,根据表示系数的大小剔除训练集中的噪声点,在新的训练集上进行最小二乘子空间分类。在6个基因表达数据集上的实验结果表明,所提算法可以进一步改善分类质量。     

改进特征样本方法的KPCA变压器故障检测模型

针对核主元分析（KPCA）监控模型由于建模样本不纯而导致故障检测失效问题,提出基于改进特征样本方法的KPCA故障检测模型并应用于变压器故障检测中。利用特征值变化信息,设计出异常样本剔除算法以避免异常样本被选入特征样本集;采用特征样本方法提取建模样本集,建立KPCA监控模型,采用复合统计量对变压器运行状态进行检测,实验结果验证了改进特征样本算法的有效性,表明提出的方法具有较高的故障敏感性和检测效率。     

不平衡训练数据下的基于深度学习的文本分类

近几年来,随着词向量和各种神经网络模型在自然语言处理上的成功应用,基于神经网络的文本分类方法开始成为研究主流.但是当不同类别的训练数据不均衡时,训练得到的神经网络模型会由多数类所主导,分类结果往往倾向多数类,极大彩响了分类效果.针对这种情况,本文在卷积神经网络训练过程中,损失函数引入类别标签权重,强化少数类对模型参数的影响.在复旦大学文本分类数据集上进行测试,实验表明本文提出的方法相比于基线系统宏平均F1值提高了4.49%,较好地解决数据不平衡分类问题.     

基于人工神经网络的配电网距离保护方法研究

基于神经网络技术提出了一种新的配电网距离保护方法,用于提高距离继电器在配电网中抗开路故障的性能。给出了保护方法的详细数学模型。该方案采用的人工神经网络结构简单,只需离线训练,不会对距离继电器的工作时间造成大的时延,也不需要特殊的通信辅助手段。测试结果表明,采用该方案的距离继电器不仅能够检测电网线路中的开路情况,而且无论故障前的电流负载如何,都能够定位故障位置,验证了所提方法的有效性。     

一种有效的最优序参量重构方法

针对模式识别中协同方法存在的问题,提出了一种协同神经网络中序参量重构的方法,该方法是利用遗传算法的全局最优搜索能力,通过对训练样本集的学习,然后再通过在序参量的构建参数空间进行全局搜索来获得最优重构参数。利用实际采样得到的样本对新算法进行的测试表明,新方法确定能找到一组序参量重构参数,并能使识别性能有较大提高。     

Elman神经网络改进模型在脑膜炎诊断中的应用

为了客观地反映脑脊液（Cerebrospinal Fluid,CSF）所蕴涵的病理信息,研究CSF多变量非线性诊断指标和脑膜炎分类标准的内在联系,提出一种Elman神经网络改进模型辅助诊断脑膜炎疾病的方法。构建2层Elman神经网络改进模型网络训练和仿真的实验结构,分别把85和51例临床病例确诊数据作为训练样本和仿真数据的输入。仿真结果显示,采用Elman神经网络的改进模型应用于脑膜炎疾病的辅助诊断可以达到均方误差10-2精度。Elman神经网络改进模型针对CSF复杂数据关系辅助诊断脑膜炎疾病的智能计算是可行的。     

Image spam filtering using convolutional neural networks

Spammers often embed text into images in order to avoid filtering by text-based spam filters, which result in a large number of advertisement spam images. Garbage image recognition has become one of the hotspots in the field of Internet spam filtering research. Its goal is to solve the problem that traditional spam information filtering methods encounter a sharp performance decline or even failure when filtering spam image information. Based on the clustering algorithm, this paper proposes a method to expand the data samples, which greatly improves the number of high-quality training samples and meets the needs of model training. Then, we train a convolutional neural networks using the enlarged data samples to recognize the SPAM in real time. The experimental results show that the accuracy of the model is increased by more than 14% after using the method of data augmentation. The accuracy of the model can be improved by 6% compared with other methods of data augmentation. Combined with convolutional neural networks and the proposed method of data augmentation, the accuracy of our SPAM filtering model is 7–11% higher than that of the traditional method.     

基于神经网络的自动售货机销量预测

采用神经网络理论对罐装饮料自动售货机销售额的预测进行了数学建模,采用BP神经网络实现了罐装饮料自动售货机销售额的预测,并通过隐层神经元和输入层神经元个数的确定以及训练算法性能对比验证了所设计模型和方法的可行性和有效性,为罐装饮料自动售货机的管理工作提供了一种新的方法.     

基于模糊聚类算法的神经网络集成

基于模糊聚类思想，提出了一种神经网络集成方法。利用隶属度函数，构造了一个分布函数，根据分布函数对训练数据进行抽样，用所抽得的数据作为个体神经网络的训练样本，多个个体神经网络构成神经网络集成，集成的输出采用相对多数投票法。理论分析和实验结果表明，该方法对模式分类能取得较好的效果。     

A neural network-based approach for dynamic quality prediction in a plastic injection molding process

This paper presents an innovative neural network-based quality prediction system for a plastic injection molding process. A self-organizing map plus a back-propagation neural network (SOM-BPNN) model is proposed for creating a dynamic quality predictor. Three SOM-based dynamic extraction parameters with six manufacturing process parameters and one level of product quality were dedicated to training and testing the proposed system. In addition, Taguchi’s parameter design method was also applied to enhance the neural network performance. For comparison, an additional back-propagation neural network (BPNN) model was constructed for which six process parameters were used for training and testing. The training and testing data for the two models respectively consisted of 120 and 40 samples. Experimental results showed that such a SOM-BPNN-based model can accurately predict the product quality (weight) and can likely be used for various practical applications.     

基于深度残差网络的人脸表情识别

针对深度卷积神经网络随着卷积层数增加而导致网络模型难以训练和性能退化等问题,提出了一种基于深度残差网络的人脸表情识别方法。该方法利用残差学习单元来改善深度卷积神经网络模型训练寻优的过程,减少模型收敛的时间开销。此外,为了提高网络模型的泛化能力,从KDEF和CK+两种表情数据集上选取表情图像样本组成混合数据集用以训练网络。在混合数据集上采用十折（10-fold）交叉验证方法进行了实验,比较了不同深度的带有残差学习单元的残差网络与不带残差学习单元的常规卷积神经网络的表情识别准确率。当采用74层的深度残差网络时,可以获得90.79%的平均识别准确率。实验结果表明采用残差学习单元构建的深度残差网络可以解决网络深度和模型收敛性之间的矛盾,并能提升表情识别的准确率。