基于粒度计算和覆盖算法的信号样式识别

文章提出应用粒度计算和神经网络覆盖算法对通信信号的调制样式进行识别。采用数字信号处理方法,从已调信号中提取信号关键特征以及它们的统计值作为样本特征集。根据不同调制信号的特点,粗粒度处理训练样本形成新的学习样本并以此构造一个覆盖神经网络。然后利用得到的覆盖领域,进行样本识别。对粗粒度类别样本利用样本的关键属性进行投影区分。通过大量的仿真数据验证,此方法对通信信号样式识别取得了很好的效果。     

一种新的基于神经网络覆盖分类算法

为了克服传统神经网络算法在处理分类问题时训练时间长、泛化能力弱的不足，提出了一种新的基于构造型神经网络覆盖分类算法，该算法通过在超球面上对样本数据进行聚类分析，找出同类样本中未被覆盖样本的最大密度点，然后在特征空间里做超平面与球面相交，得到球面领域覆盖，从而将神经网络训练问题转化为点集覆盖问题，同时也考虑了神经网络规模的优化问题。实验结果证明了该算法的有效性。     

基于构造性覆盖算法的离群数据挖掘研究

本文提出一种通过构造覆盖领域进行离群点(outlier)挖掘的新方法。由于覆盖领域构造的特殊性,使得覆盖算法非常适合离群点的挖掘。在分析覆盖模型的基础上,给出了覆盖模型的离群点的定义和算法步骤。这样将复杂的离群点挖掘问题变成十分简单的覆盖领域样本分析问题,而且算法十分直观,并能很好地解释离群点的含义,同时适合对高维及海量数据的处理。本文给出实验例子,结果表明该方法是有效可行的。     

优先排序神经网络K网覆盖分类研究

从高维空间特征点覆盖的角度，讨论了优先度排序神经网络(PONN)算法，提出了非各向同性的K网覆盖算法(KPA)算法，最后给出标准测试集和应用测试集的比较结果，并对其与各向同性覆盖中心适配选择算法（CASA）进行了分析与比较，实验结果表明KPA算法在样本连续性构造方面优于CASA算法。     

多代表点的加权近邻分类算法

传统的KNN算法存在分类效率低等缺点.针对这些缺点,本文提出一种高效的结合多代表点思想的加权KNN算法,利用变精度粗糙集上下近似区域的概念,结合聚类算法生成代表点集合构造分类模型,再运用结构风险最小化理论优化分类模型并对影响分类模型的因素进行分析.分类过程中根据测试样本与各代表点的相似度,得到测试样本的相对位置.其中属于样本点下近似区域的测试样本可直接判断其类别.若测试样本在其他区域,则根据测试样本与各代表点的相对位置对各代表点覆盖范围内的样本进行加权后判断测试样本的类别.在文本分类领域的数据集上进行实验,结果表明该算法能有效的提高分类模型的性能.     

构造型神经网络双交叉覆盖增量学习算法

研究了基于覆盖的构造型神经网络(cover based constructive neural networks,简称CBCNN)中的双交叉覆盖增量学习算法(BiCovering algorithm,简称BiCA).根据CBCNN的基本思想,该算法进一步通过构造多个正反覆盖簇,使得网络在首次构造完成后还可以不断地修改与优化神经网络的参数与结构,增加或删除网络中的节点,进行增量学习.通过分析认为,BiCA学习算法不但保留了CBCNN网络的优点与特点,而且实现了增量学习并提高了CBCNN网络的泛化能力.仿真实验结果显示,该增量学习算法在神经网络初始分类能力较差的情况下具有快速学习能力,并且对样本的学习顺序不敏感.     

基于覆盖算法的模拟电路故障诊断方法

模拟电路故障诊断理论与方法的研究是目前热门的研究课题。针对传统神经网络内部结构难以确定、可理解性差、难以用硬件实现的问题,本文构建一种基于领域覆盖算法的模拟电路故障诊断方法,并针对领域覆盖算法构造的神经网络内部神经元个数过多,初始点选择随机的情况,提出领域搜索覆盖算法。最后通过对某一个带通滤波电路进行故障诊断,降低神经网络中神经元的个数,提高了该神经网络的泛化能力,故障诊断率也提高了9个百分点。验证了该方法的可行性。     

一种新的基于构造型神经网络分类算法

该文提出一种基于构造型神经网络的最大密度覆盖分类算法,该算法直接从样本数据本身入手,通过引入一个密度估计函数对样本数据进行聚类分析,找出同类样本中具有最大密度的样本数据点,然后在特征空间里作超平面与球面相交,得到一个球面领域覆盖,从而将神经网络训练问题转化为点集覆盖问题．该算法有效地克服了传统神经网络训练时间长、学习复杂的问题,同时也考虑了神经网络规模的优化问题,实验证明了该算法的有效性．     

结合优先度排序神经网络的样本点分块拟合研究

样本点拟合是动态构造神经网络应用的重要研究领域。从输入输出映射的角度,依赖输出样本点优先关系,结合优先度排序神经网络把输入样本集合划分为不同子集,动态构造优先度排序神经网络对各个子样本集进行映射,对样本点进行分块并行神经网络构造,提高神经网络的训练速度。最后,通过对不同类型样本集进行测试,实验结果表明该算法能有效地减少拟合误差。     

加权决策模板业务感知算法

针对决策模板法在业务感知准确率上的局限性问题,提出了加权决策模板法。该方法首先利用有监督的神经网络模糊聚类分类器作为基本分类器,再通过混淆矩阵衡量分类器对样本不同类别的置信度,经过两级的性能权衡,赋予该算法更高的可信度。在训练阶段根据错误分类的样本构造一个附加的加权决策模板,若在测试阶段有样本离该模板的距离最近时,可以认为该样本被错误分类的可能性很大,从而保证该算法具有高识别准确率。实验结果表明,与决策模板法对比,加权决策模板法在业务感知上具有更高的准确性。     

一种基于竞争的覆盖算法

与传统人工神经网络的算法相比,覆盖算法有运行速度快、精度高和易于理解的优点,但是覆盖算法的学习顺序是随机选择的,大量实验表明样本的学习顺序对神经网络的性能有着显著的影响。基于竞争的覆盖算法是在覆盖算法的基础上提出的,以消除算法中学习顺序所产生的影响。在该算法中,通过加入竞争机制,神经网络在学习样本的同时会逐步调整覆盖中心以形成更优的覆盖域。实验表明改进后的覆盖算法可以有效减少覆盖数量,减少拒识样本数,提高识别精度。     

交叉覆盖网络的球形领域构造与功能函数

基于前向神经网络的交叉覆盖算法有效地解决了传统网络运行慢、数据处理能力差的问题,但仍存在拒识的缺陷。文章在对交叉覆盖算法分析的基础上,提出了几种球形领域和特征函数的构造方法,并通过实例对各种模型的分类能力进行比较。     

一种基于聚类的交叉覆盖算法

与传统的前向神经网络相比,覆盖算法具有运行速度快、精度高的特点,但覆盖算法的初始领域中心是随机选取的。实验表明网络性能与学习顺序有密切的关系。在前向神经网络交叉覆盖算法基础上提出了一种新型改进的交叉覆盖算法——基于聚类的交叉覆盖算法。该方法是一种根据聚类结果确定学习顺序的方法。实例表明这种改进的算法是确定性学习方法,可以有效减少覆盖数量,提高交叉覆盖算法的测试速度,减少拒识样本数,提高识别的精度。     

基于覆盖的构造性学习算法SLA及在股票预测中的应用

覆盖算法是神经网络学习算法中的一个十分有效的方法，它克服了基于搜索机制的学习方法和规划学习方法计算复杂性高，难以用于处理海量数据的不足，为神经网络提供一个构造性的学习方法，但该方法是建立在所有训练样本都是精确的假设上的，未考虑到所讨论的数据具有不精确的情况，若直接将该方法应用于数据不精确情况，所得到效果不理想．主要讨论数据具有不精确情况下的时间序列的预测问题，为此将原有的覆盖算法进行改进，引入“覆盖强度”和“拒识样本”的概念，并结合这些新概念给出相应的覆盖学习算法(简称SLA)，最后将SLA算法，应用于金融股市的预测，具体应用到以上(海)证(券)综合指数构成的时间序列的预测，取得了较好的结果，这表明了SLA方法的可行性和应用前景。     

一种改进的领域覆盖算法

为解决领域覆盖算法中覆盖中心的选取问题,引入遗传算法中的适应度函数,提出一种改进的覆盖算法.以覆盖样本数最多为目标设计适应度函数,通过计算每个样本的适应度值来搜索最优覆盖中心,采用神经网络和灵敏度相结合的方法计算输入因素对输出因素的决策权重.实验证明,该算法能保证覆盖的稳定性,且覆盖中心的个数较少.     

基于关联规则的覆盖领域约简算法

前向神经网络的网络覆盖算法根据样本数据构造性地建立神经网络,其结构易于确定,执行效率高。但由于噪声数据的存在,可能造成覆盖领域多的现象,增加了网络结构的复杂度,并产生一些不必要的误识。该文借鉴数据挖掘中关联规则的支持度与可信度的概念,对覆盖领域进行约简,理论分析和实验表明,该算法可以有效地简化覆盖网络的结构,提高网络的稳定性和推广能力。     

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。     

机器学习中的核覆盖算法

基于统计学习理论的支持向量机（SVM）方法在样本空间或特征空间构造最优分类超平面解决了分类器的构造问题,但其本质是二分类的,且核函数中的参数难以确定,计算复杂性高．构造性学习算法根据训练样本构造性地设计分类网络,运行效率高,便于处理多分类问题,但存在所得的分界面零乱、测试计算量大的缺点．该文将SVM中的核函数法与构造性学习的覆盖算法相融合,给出一种新的核覆盖算法．新算法克服了以上两种模型的缺点,具有运算速度快、精度高、鲁棒性强的优点．其次．文中给出风险误差上界与覆盖个数的关系．最后给出实验模     

基于粗糙集的交叉覆盖神经网络研究

在探讨交叉覆盖神经网络的基础上,提出了一种基于粗糙集理论和交叉覆盖神经网络的集成算法。首先应用粗糙集对原始数据进行约简处理,在保证信息完整性的同时,减少了数据的维数,然后使用交叉覆盖算法设计多层前向网络。通过使用粗糙集进行数据约简,减少了交叉覆盖算法的计算量,降低了网络计算的复杂性。实验结果证明了此集成方法的有效性。