一种基于神经网络的数据挖掘算法

随着数据应用的深入,各类数据挖掘方法越来越重要.神经网络理论模拟人类的大脑神经处理信息的方式,通过信息样本对神经网络进行学习和训练,使其具有人脑的记忆和学习能力.研究基于此理论,给出了一种基于神经网络算法的服装销售预测实例.     

基于改进神经网络的WEB数据挖掘研究

人工神经网络是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统,它不但具有处理数值数据的一般计算能力,而且还具有处理知识的思维、学习、记忆能力.基于神经网络的数据挖掘过程由数据准备、规则提取和规则评估三个阶段组成.研究了分解型规则抽取算法,在分析了分解型算法后,利用关联法对输入输出神经元进行关联计算,按关联度排完序之后,用神经网络进行结点选择,可以大大减少神经网络的输入结点个数数据集中数据的验证,表明了方法的有效性.     

自联想记忆神经网络研究

自联想记忆神经网络能模拟人脑思维和机器智能,具有信息分布式存储和内容可寻址访问的重要特征,是人工神经网络研究的一个重要分支.介绍了开创自联想记忆神经网络研究先河的Hopfield联想记忆神经网络模型,分析了该模型的优缺点;然后在系统分析现有自联想记忆神经网络相关研究文献的基础上,从学习算法、体系结构和应用领域三个方面对自联想记忆神经网络的研究进展进行了归纳阐述;总结了自联想记忆神经网络目前存在的主要问题,并且预测了其未来的发展趋势.     

基于一种新型联想记忆神经网络的传感器故障诊断

联想记忆网络是一种反馈型神经网络。由于反馈型网络会收敛于某个稳定状态，因此，可用于联想记忆。神经网络具有高度的并行处理能力和极强的非线性映射能力，可以实现故障与征兆之间复杂的非线性映射关系，因此在机械故障诊断领域中显示了很大的应用潜力。本文以模拟人脑由部分记忆而联想整体的特点为基础，通过引入联想记忆衰减因子，改进神经网络结构和学习算法．应用于系统的故障诊断。     

神经网络计算机原理及实现方法

神经网络计算机能模拟人脑的并行处理方式,具有惊人的自学习、思维、推理、判断和记忆的功能。该文主要阐述了人类对大脑的研究以及由此演发的人工神经网络的理论基础,并从目前实现神经网络的三种主要途径对神经网络计算机的实现做了分析与展望。     

神经网络计算机原理及实现方法

神经网络计算机能模拟人脑的并行处理方式,具有惊人的自学习、思维、推理、判断和记忆的功能。该文主要阐述了人类对大脑的研究以及由此演发的人工神经网络的理论基础,并从目前实现神经网络的三种主要途径对神经网络计算机的实现做了分析与展望。     

深度记忆网络研究进展

近年来,随着深度神经网络的快速发展,它在越来越多的领域中有了广泛的应用.深度神经网络模型在处理有序列依赖关系的预测问题时,需要利用之前学习到的信息进行记忆.在一般的神经网络模型中,数据经过多个神经元节点传输会损失很多关键的信息,因此需要具有记忆能力的神经网络模型,我们把它们统称为记忆网络.本文首先介绍了记忆网络的基础模型,包括循环神经网络(RNN)、长短期记忆神经网络(LSTM)、神经图灵机(NTM)、记忆神经网络(MN)和变送器(Transformer).其中,RNN和LSTM是通过隐单元对前一时刻信息的处理来记忆信息,NTM和NM是通过使用外部存储器来进行记忆,而变送器使用注意力机制来选择性记忆.本文对这些模型进了对比,并分析了各个记忆方法的问题和不足.然后根据基础模型的不同,本文对常见的记忆网络模型进行了系统的阐述、分类和总结,包括其模型结构和算法.接着介绍了记忆网络在不同领域和场景下的应用,最后对记忆网络的未来研究方向进行了展望.     

多模式对模糊联想记忆学习算法的优化

一、引言 人脑神经系统信息活动的一个重要特征是能够接收和处理模糊的、连续随机的信息,并在输出时不追求绝对精确解而只要求能找到问题的满意解。模糊联想记忆神经网络是Bart Kosko于1987年提出的采用模糊赫布型学习规则的一种单状态异联想记忆神经网络,在模糊控制、模式识别、专家系统等领域曾引起人们的关注。由于该网络的子集联想特性和不能有效地联想存储多个训练模式对而影响了它的应用[1-3]。本文提出模糊合成运算的一种微分法则,用一代价函数以反映网络性能,将梯度下降搜索技术与模糊赫布型学习规则相结合,建立了在单个模糊联想记忆神经网络中联想存储多个模式对的一种优化学习算法。理论分析和实例计算均证明该算法优于Kosko的学习规则。     

记忆神经网络的研究与发展

首先,根据记忆神经网络训练形式的不同,介绍了强监督模型和弱监督模型的结构特征和各自应用场景以及处理方式,总结了两类主要模型的优缺点;随后,对两类模型的发展和应用（包括模型创新和应用创新）进行了简要综述,总结了各类新模型在处理自然语言过程中所起的关键作用;最后梳理了记忆神经网络处理自然语言所面临的复杂性挑战,并预测了记忆神经网络未来的发展方向.     

基于BP神经网络模型的信息处理系统的应用分析

介绍了BP神经网络模型的网络训练学习算法，并应用其良好的自学习、自适应能力于系统信息处理中，通过信息样本对神经网络的训练，使其具有人脑的记忆、辨识能力，完成各种信息处理功能。     

面向类脑计算的脉冲神经网络研究

随着深度学习在训练成本、泛化能力、可解释性以及可靠性等方面的不足日益突出,类脑计算已成为下一代人工智能的研究热点。脉冲神经网络能更好地模拟生物神经元的信息传递方式,且具有计算能力强、功耗低等特点,在模拟人脑学习、记忆、推理、判断和决策等复杂信息方面具有重要的潜力。本文对脉冲神经网络从以下几个方面进行总结:首先阐述脉冲神经网络的基本结构和工作原理;在结构优化方面,从脉冲神经网络的编码方式、脉冲神经元改进、拓扑结构、训练算法以及结合其他算法这5个方面进行总结;在训练算法方面,从基于反向传播方法、基于脉冲时序依赖可塑性规则方法、人工神经网络转脉冲神经网络和其他学习算法这4个方面进行总结;针对脉冲神经网络的不足与发展,从监督学习和无监督学习两方面剖析;最后,将脉冲神经网络应用到类脑计算和仿生任务中。本文对脉冲神经网络的基本原理、编码方式、网络结构和训练算法进行了系统归纳,对脉冲神经网络的研究发展具有一定的积极意义。     

形式背景的BAM神经网络模型及模型上的概念生成

形式概念分析是近年来发展较为迅速的一种数据挖掘工具,它已被广泛地应用于机器学习、软件配置、信息获取等领域,而神经网络是基于模拟人脑的智能特点而发展起来的一门新兴学科。它们之间的融合将有利于智能控制、模式识别、知识处理等学科的进一步发展。通过对BAM神经网络的设定,建立了形式背景和NK-BAM神经网络之间的对应关系,论证了NK-BAM模型的稳定状态与形式背景的概念格的概念结点之间的对应,为概念分析和神经网络的进一步研究奠定了理论基础。同时给出了一个基于神经网络的概念生成算法,并通过实例验证了算法的有效性。     

RBF神经网络的研究与应用

神经网络是对人脑神经系统的数学模拟,其目的是学习和模仿人脑的信息处理方式。文章介绍了神经网络的原理和模型、RBF神经网络的学习过程以及采用RBF神经网络进行高压断路器故障诊断的训练过程。     

RBF神经网络的研究与应用

神经网络是对人脑神经系统的数学模拟,其目的是学习和模仿人脑的信息处理方式。文章介绍了神经网络的原理和模型、RBF神经网络的学习过程以及采用RBF神经网络进行高压断路器故障诊断的训练过程。     

记忆神经网络在机器人导航领域的应用与研究进展

记忆神经网络非常适合解决时间序列决策问题,将其用于机器人导航领域是非常有前景的新兴研究领域。本文主要讨论记忆神经网络在机器人导航领域的研究进展。给出几种基本记忆神经网络结合导航任务的工作机理,总结了不同模型的优缺点;对记忆神经网络在导航领域的研究进展进行简要综述;进一步介绍导航验证环境的发展;最后梳理了记忆神经网络在导航问题所面临的复杂性挑战,并预测了记忆神经网络在导航领域未来的发展方向。     

神经网络——通信及其保密通信领域的新技术

神经网络是近年来发展迅速的一门新型学科。它具有自适应学习、大规模并行分布处理、联想记忆以及强容错性等功能特点,是90年代最具希望和潜力的智能科学,各发达国家均不惜工本致力于该项研究,使神经网络的应用领域得到了长足发展,其中通信及其保密通信即是神经网络的重要应用领域,并已成为神经网络应用研究中的一个热点。本文在概述神经网络基本概念及其模型基础上,综述了神经网络在通信及其保密通信领域中的应用现状,并展望了神经网络在通信及其保密通信中的应用前景。     

神经网络控制的应用

神经网络首先用于解决模式识别问题。随着80年代神经网络理论的突破性进展，神经网络控制引起控制界的广泛注意。由于系统的复杂性，存在多种不确定性及难以确切描述的非线性。现代工业对工业过程控制不仅要求控制的精确性，还要求控制的鲁律性、实时性、容错性及对控制参数的自适应和学习能力。传统适应控制方法存在局限性，传统控制未能从根本上解决控制问题，所以智能控制得到迅速发展。神经网络在系统辩识、模式识别、信号处理、图象处理、故障诊断等方面得到广泛应用。神经网络控制是从机理上对人脑进行简单结构模拟的新型控制和辩识方…     

基于离散Hopfield神经网络的噪声数字识别

在Hebb学习规则的基础上,运用离散Hopficld神经网络的联想记忆能力,对含有噪声而产生畸变的0~9数字进行了识别。通过改进神经网络的记忆样本,即先对记忆样本做正交化处理,再对改进后的记忆样本进行学习,得到相应的权值矩阵,然后利用改进后的离散Hopfield神经网络根据待识别噪声数字的信息联想已记忆的数字。实验结果表明,改进后的神经网络对噪声数字有较好的识别效果,提高了记忆能力和识别的正确率。     

随机神经网络发展现状综述

随机神经网络 (RNN)在人工神经网络中是一类比较独特、出现较晚的神经网络 ,它的网络结构、学习算法、状态更新规则以及应用等方面都因此具有自身的特点 .作为仿生神经元数学模型 ,随机神经网络在联想记忆、图像处理、组合优化问题上都显示出较强的优势 .在阐述随机神经网络发展现状、网络特性以及广泛应用的同时 ,专门将RNN分别与Hopfield网络、模拟退火算法和Boltzmann机在组合优化问题上的应用进行了分析对比 ,指出RNN是解决旅行商 (TSP)等问题的有效途径     

FUZZY ARTMAP神经网络综述

1.引言神经网络模拟人脑神经功能,用大量简单关系连接来表示复杂的函数关系,具有很多特殊优点,已在系统建模、模式识别、图像处理、知识发现和控制等领域得到了广泛的应用。但当使用前向神经网络,如多层感知器(MLP)和径向基函数(RBF)网络时,需要依赖一些试探法去选择最优的网络尺寸和参数,此外这些网络在学习后通常是静止的,不具备增量学习能力(在