人工神经网络在乳腺癌诊断中的应用

研究提高乳腺癌诊断准确率问题,对病灶进行医学影像分析会诊结果可靠.因BP神经网络在乳腺癌诊断中,由于权值和学习率固定,导致收敛速度慢、易陷入局极小,使乳腺癌的诊断的准确率低.为了提高乳腺癌诊断的准确率,提出了-种改进BP神经网络的乳腺癌诊断模型.采用附加动量对BP神经网络权值进行调整,加快了网络的收敛速度,然后对学习率进行自适应调整,减少了迭代次数,最后利用改进的BP神经网络模型对乳腺癌进行诊断.仿真结果表明,改进BP神经网减少迭代次数,加快学习速度,提高乳腺癌诊断准确率,很好的解决传统BP神经算法在乳腺癌诊断中中存在的缺陷,是一种有效的乳腺癌的辅助诊断工具.     

改进量子粒子群算法优化神经网络的数据库重复记录检测

为了提高数据库重复记录检测效果,提出一种改进量子粒子群优化算法(IQPSO)优化BP神经网络的数据库相似重复记录检测模型(IQPSO-BPNN)。首先计算记录字段间的相似度,组成特征向量;然后采用IQPSO算法优化BP神经网络进行学习,建立最优相似重复记录检测模型,最后通过仿真实验对IPSO-BPNN的性能进行测试。实验结果表明,IQPSO-BPNN大幅度减少了数据库重复记录检测时间,提高了数据库重复记录检测精度。     

综合用户偏好模型和BP神经网络的个性化推荐

个性化推荐是目前解决电子商务中产品信息过载问题的有效工具之一。对综合用户偏好模型和BP神经网络的个性化推荐算法进行了研究。具体讨论了如何建立用户偏好模型,采用神经网络训练得到目标用户的偏好模型,通过Movielens数据库验证该模型的有效性。提出了一个基于内容的个性化推荐算法。     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

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。     

神经网络在化工过程故障诊断中的应用

针对现代复杂的化工生产过程，提出一种基于神经网络的故障诊断方法。并分别将典型的BP算法和改进后的BP算法用于TE（Tennessee Eastman）模型的故障诊断中。经过诊断结果的比较，得出标准的BP算法在实际应用中具有收敛速度慢等缺点；自适应学习速率动量梯度下降的BP算法以及用L-M（Levenberg-Marquardt）法先对BP网络进行优化的BP算法具有收敛速度快、不易陷入局部极小值等优点，其中又以L-M优化BP算法效果最好。结合rIE模型的仿真结果可以看出，L-M优化BP算法在工业实际中具有很大的优势。     

基于PSO—BP神经网络的混凝土抗压强度预测

为了有效提高混凝土抗压强度的预测精准度,利用粒子群算法优化BP神经网络初始权值和阈值,建立了混凝土抗压强多因子PSO-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数,混凝土抗压强度值作为输出参数,不仅可以克服BP算法收敛速度慢和易陷入局部极值的缺陷,而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以UCI数据库中的Concrete CompressiveStrength数据集为例进行仿真测试,结果表明：PSO-BP模型预测精度较BP、GA—BP模型分别提高了8．26％和2．05％,验证了PSO—BP模型在混凝土抗压强度预测中的有效性。     

在数据库中一种基于QPSO与BP神经网络的重复记录检测算法

在检测数据库重复记录的研究中,基于BP神经网络的检测（Duplicate Record Detection based on BP Neural Network,简称DRDBPNN）算法的性能与初始的参数设置有很大的关系,从而造成其性能不稳定的缺陷,因此本文提出了一种基于QPSO与BP神经网络的重复记录检测算法（Duplicate Record Detection based on Quantum Particle Swarm Optimization and BP Neural Network,简称DRDQPSQBPNN）。仿真表明,该算法能够有效地提升重复记录的检测效率。     

基于主成分的SFLABP网络模型在帕金森氏病分类中的应用

针对BP神经网络学习效率低、容易陷入局部最优等缺点,提出了一种基于主成分分析的混合蛙跳算法(Shuffle FrogLeaping Algorithm)优化的BP神经网络模型。使用主成分分析法对高维数据进行特征提取,作为网络输入;采用混合蛙跳算法优化BP神经网络的权系数和阈值,构建基于混合蛙跳算法神经网络的帕金森病分类模型。最后,以UCI中Parkinson数据为例,实验表明,新模型优于传统的BP网络。     

修正激励函数的BP算法的研究

本文对基于梯度下降的标准BP算法进行了深入研究,提出了修正激励函数的BP算法,它能有效克服标准BP算法中Sigmoid函数的不足,加快网络学习速率。在模型预测控制的建模和预测中,将基于该算法的神经网络与基于标准BP算法的神经网络、基于带动量项的BP算法的神经网络、基于自适应调整学习率BP算法的神经网络、基于自适应调整学习步长和动量项4算法的神经网络进行仿真比较,它在预报准确率和学习速度方面都取得了令人满意的结果。     

改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究

针对传统极限学习机的输入权值矩阵和隐含层偏差是随机给定进而可能会导致在乳腺肿瘤的辅助诊断应用研究中存在精度明显不足的情况,提出用改进鱼群算法优化ELM方法。在完成对乳腺肿瘤有效的辅助诊断的过程中,本研究工作充分利用ELM能快速地完成训练过程且具有很好的泛化能力的特点,并结合用改进鱼群算法对ELM的隐含层偏差进行优化,构造出了乳腺肿瘤与从乳腺肿瘤样本数据中提取的10个特征向量之间的非线性映射关系。将本文提出的乳腺肿瘤识别方法的仿真结果与AFSA-ELM方法、ELM方法、LVQ方法、BP方法的仿真结果分别从识别准确率、假阴性率、学习速度三个方面做对比分析,仿真结果表明,本文所提方法对乳腺肿瘤诊断具有较高的分类识别准确率、假阴性率以及较快的学习速率。     

An adaptive semi-supervised Fuzzy GrowCut algorithm to segment masses of regions of interest of mammographic images

According to the World Health Organization, breast cancer is the most common cancer in women worldwide, becoming one of the most fatal types of cancer. Mammography image analysis is still the most effective imaging technology for breast cancer diagnosis, which is based on texture and shape analysis of mammary lesions. The GrowCut algorithm is a general-purpose segmentation method based on cellular automata, able to perform relatively accurate segmentation through the adequate selection of internal and external seed points. In this work we propose an adaptive semi-supervised version of the GrowCut algorithm, based on the modification of the automaton evolution rule by adding a Gaussian fuzzy membership function in order to model non-defined borders. In our proposal, manual selection of seed points of the suspicious lesion is changed by a semiautomatic stage, where just the internal points are selected by using a differential evolution algorithm. We evaluated our proposal using 57 lesion images obtained from MiniMIAS database. Results were compared with the semi-supervised state-of-the-art approaches BEMD, BMCS, Wavelet Analysis, LBI, Topographic Approach and MCW. Results show that our method achieves better results for circumscribed, spiculated lesions and ill-defined lesions, considering the similarity between segmentation results and ground-truth images.     

应用量子粒子群算法优化神经网络的数据库重复记录检测

神经网络的连接阈值以及权值直接影响数据库重复记录的检测效果,当前方法无法找到最优的神经网络的连接阈值和权值,导致数据库重复记录检测偏差比较大,并且数据库重复记录检测效率低,为了获得更优的数据库重复记录检测结果,提出了量子粒子群算法优化神经网络算法的数据库重复记录检测方法。首先分析当前数据库重复记录检测研究进展,并提取数据库重复记录检测特征向量,然后采用BP神经网络对数据库重复记录检测训练样本进行学习,采用量子粒子群算法确定最优连接阈值和权值,建立理想的数据库重复记录检测模型,最后进行了数据库重复记录检测仿真实验。结果表明,这种方法是一种准确率高、效率高的数据库重复记录检测方法,数据库重复记录检测效果要明显优于其它方法。     

基于改进BP神经网络的预测模型及其应用

对BP神经网络的结构及其训练算法进行了研究,并针对传统BP算法的缺陷,提出了一种采用L—M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统预测模型,并通过具体的仿真及实践结果验证了改进BP神经网络的有效性。     

基于神经网络优化的油水界面软测量

传统的BP算法具有简单可塑的优点,但是存在着容易陷入局部极值、收敛速度慢等无法克服的缺陷。因此,文中设计了一种自适应遗传算法优化BP神经网络的方法,针对原油脱水生产过程中的油水界面测量问题,建立了相关的软测量模型,进行了仿真实验,验证模型的正确性。     

PCA-BP算法模块化设计的编程实现

BP算法存在收敛性慢、逼近精度差等缺点。因此,在实际应用中往往需要对BP算法进行相应的改进。利用主元分析法(PCA)对数据样本预先进行降维处理,消除数据间的强耦合性,减少模型的复杂性,然后再作为BP的输入样本从而提高模型的解算速度。在此分析的基础上利用Visual Basic采用模块化的设计方法实现对PCA-BP算法的编程,使学习速率能够进行相应自调整和优化,以此来提高BP网络的泛化推广能力,并能够满足设定的误差精度从而达到现场实际运用需要的目的。     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

基于小波网络的BP算法改进研究

对BP算法的特点进行了分析,在权值平衡算法的基础上,应用小波网络对其进行改造,提出了基于小波网络的BP权值平衡算法,给出了具体的算法步骤,仿真结果证明该算法既具有BP网络的简捷性,又能够提高学习速度和精度,避免了BP网络易出现的收敛速度慢、易产生局部最优解的问题,是一种较好的神经网络学习算法。     

免疫优化神经网络对倒立摆的控制

人工免疫算法是基于生物免疫系统机理和特点发展而来的一种新型智能算法。针对BP神经网络传统训练算法的学习效率低、收敛速度慢且容易陷入局部最优等不足,采用免疫算法对BP神经网络权值进行优化,以实现对倒立摆的控制。实验结果表明,用免疫算法训练神经网络收敛速度快,并能有效避免陷入局部最优。优化后的神经网络能对实际的倒立摆装置进行控制,并取得了满意的效果。     

遗传BP神经网络在网络流量预测中的应用

由于BP神经网络本质上采用的是梯度下降算法,具有收敛速度慢、容易陷入局部极小点等缺陷.针对这种情况,用具有良好全局搜索能力的遗传算法来改进BP神经网络模型,对神经网络的初始权值和阈值进行优化.仿真结果表明,遗传BP神经网络具有良好的预测效果,预测精度比传统的BP神经网络要高,误差更小,说明了遗传BP神经网络对网络流量预测是高效可行的.