混沌在BP神经网络中的应用

为了提高误差反向传播算法的网络泛化能力,针对BP网络中所存在网络泛化能力差的缺点,结合混沌优化的优点,提出了一种改进的算法.将网络中的少数神经元的激励函数改变为具有混沌特性的激励函数,这些神经元不存在饱和区,从而可以加快学习速度,克服假饱和现象,并且神经元的输出具有-定的随机性,类似于噪声的作用,可在-定程度上提高网络的泛化能力.针对字符识别的仿真效果进行分析,证明网络的容错能力较好,网络的泛化能力得到了改善.     

基于神经网络的刑事案件量刑决策系统

为了给刑事案件量刑提供一个客观公正的参考,提出了一种基于神经网络的量刑决策系统.根据案件的具体细节情况,确定案件各种量刑情节的有无,并将其作为分类和决策的特征量,确定刑罚的种类以及刑期的长短.为提高网络的决策性能,针对梯度学习存在的局部极小和假饱和等现象,提出了基于混沌退火的学习算法,进一步提高了网络的决策能力.大量的仿真实验表明,该决策网络能够给出一个客观、公正的量刑结果.     

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构，并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化，加快了网络的收敛速度，提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中，网络学习率对网络收敛特性的影响，论证了自适应学习率在网络学习中的作用，并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制，给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线，并给出了分析和对比，论证了改进的学习算法的优越性。     

一种免疫克隆选择算法在BP网络学习中的应用

在分析BP网络学习存在的问题后，采用了一种免疫克隆选择算法对BP网络的权值进行优化学习，并提出了一种新的变异方法，该变异方法可以根据亲和力的大小自适应调整抗体变异的幅度，与传统的高斯变异相比，不但简化了抗体的编码，还很好地体现了克隆选择算法抗体变异的特点，提高了算法的搜索能力和收敛性能。仿真实验表明，基于这种变异方法的免疫克隆选择算法可以很好地提高BP网络的学习速度，有效地避免算法过早收敛的问题。     

基于改进自适应蚁群小波网络的定制产品成本估算

为提高小波网络对定制产品成本估算的精度,在分析小波网络和蚁群算法基本原理基础上,对蚁群算法进行了改进,提出了基于改进自适应蚁群算法的小波网络学习算法。在对定制产品进行成本估算的实例研究中,得出该方法的收敛速度和求解精度都要优于其它传统学习算法,说明该方法在训练小波网络时具有更好的学习能力和估算精度。     

基于环境感知的多路径路由算法

认知网络能够提高网络端到端的性能,确保服务质量(QoS)要求。而目前普遍使用的路由算法不具备网络认知能力。针对这一问题,提出一种具有认知能力的负载均衡多路径路由算法,该算法结合了Q学习算法和蚁群算法各自的优点,通过蚁群算法完成路径的建立和维护,Q学习算法实现拥塞规避和负载均衡。使用OPNET仿真比较,表明该算法在时延、带宽利用方面均具有较好的性能。     

神经网络BP算法在网络搜索中的应用

本文介绍了利用神经网络的网络搜索方法,利用神经网络的自学习能力实现网络再次搜索,依靠神经网络BP算法实现了搜索引擎的自学习能力。实验表明该法方法有效的提高了网络搜索的准确度和灵活行。     

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.     

用于股指预测的自适应训练及删剪算法

提出了利用基于自适应训练及删剪算法的抽头延迟神经网络模型对股指这一非线性时间序列进行预测。首先采用基于递归最小方差的自适应学习算法对网络模型进行学习训练，由于该算法的学习步长能够自行调整，初始参数少，所以收敛速度很快；再利用删剪算法对学习后的网络结构进行删剪，优化网络的拓扑结构，降低网络的计算复杂度，提高网络的泛化能力；然后对优化后的网络进行再学习，使优化后的网络具有最佳参数；最后利用优化后的网络对未来的股指（测试样本）进行预测。仿真实验表明，与删剪前的网络结构相比，优化后的网络结构不但降低了计算复杂度而且提高了预测精度，运算复杂度降低到原来的0.0556，预测均方误差达到8.7961e-5。     

基于注意力特征金字塔网络的肺结节检测算法

针对肺结节计算机辅助检测（CAD）系统中肺结节形态各异难以检测带来的敏感度低、假阳性率高的问题，提出一种基于注意力特征金字塔网络的肺结节检测算法。在第一阶段，以更加紧凑的双路径网络（DPN）为骨干网络，并结合特征金字塔网络（FPN）进行多尺度预测，以获取不同层次的特征信息，同时嵌入全局注意力机制（GAM）来细化学习要强调的语义特征，并提高算法的敏感度；在第二阶段，提出一种假阳性抑制网络，以获得最终分类预测结果；在训练阶段，采用焦点损失函数和多种数据增强技术来处理数据不平衡问题。在公开数据集LUNA16(LUng Nodule Analysis 2016)上的实验结果显示：仅有第一阶段的算法的竞争性能指标（CPM）达到了0.908，而加入假阳性抑制网络后算法的CPM达到了0.933，这与经典算法基于最大强度投影（MIP）的卷积神经网络（CNN）算法相比提升了1.1个百分点；而消融实验的结果表明DPN、FPN、GAM对于提升检测敏感度是有作用的。以上证明了所提出的两阶段检测算法可以获取多尺度结节信息，提高肺结节检测的敏感度，并且降低假阳性率。     

Nonlinear optimized adaptive trajectory control of helicopter

This paper attempts to develop an optimized adaptive trajectory control system for helicopters based on the dynamic inversion method. This control algorithm is implemented by three time-scale separation architectures. Pseudo control hedging (PCH) is used to protect the adaptive element from actuator saturation nonlinearities and also from the inner-outer-loop interaction. In addition, to augment the attitude control system, two online adaptive architectures that employ a neural network are used. By tuning the neural network based on the system model, a better and faster learning will be achieved, but this is a frustrating and time consuming process. Due to complexity in accurate tuning of neural network, this paper introduces a non-dominated sorting genetic algorithm II (NSGA-II) for off-line optimization of the neural network. Thus, in the proposed method, the neural network can compensate model inversion error caused by the deficiency of full knowledge of helicopter dynamics more accurately. The effectiveness of proposed method is demonstrated by numerical simulations.     

基于遗忘进化规划的Hopfield网学习算法

本文提出了一个基于遗忘进化规划的Hopfield网学习算法.通过遗忘部分个体,算法能避免局部最小.给定不动点、极限环或迭代序列,通过解不等式,算法能同时获得Hopfield网的拓扑结构和权值.该算法克服了进化Hopfield网学习的局限性.它还能找到多个优化解.实验也证明了该算法的有效性.     

基于SAIL模型的HJ-1卫星LAI反演算法研究

基于辐射传输模型和人工神经网络算法,研究出适用于环境一号卫星CCD相机数据的叶面积指数反演算法针对环境一号卫星CCD相机的波段特征,设计出一种新的植被指数HJVI,有效的避免了数据饱和现象,提高了算法的精度。     

基于复合正交神经网络的自适应逆控制系统

目前，在自适应逆控制系统中常采用BP神经网络，而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足，但由于正交神经网络学习算法存在某些局限性，提出了一种复合正交神经网络，该正交网络结构与三层前向正交网络相同，不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数，该神经网络算法简单，学习收敛速度快，并能对网络的函数参数进行优化，为非线性系统的动态建模提供了一种方法。仿真实验表明，网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性，有线性、非线性逼近精度高等优异特性，非常适合于实时控制系统。     

基函数神经网络权值直接确定的图像复原

给出了基函数神经网络图像复原的模型,该神经网络模型是由三层构成的前向神经网络,以一组正交基为隐层神经元的激励函数。为了避免反复迭代权值修正的冗长BP训练过程,提出了一种权值直接确定的算法。实验结果表明,该种权值直接确定算法不仅能一步确定权值而获得更快的运算速度,而且能达到更高的精度。     

基于网络复杂性的BP算法

BP算法(误差反向传播算法)是前馈神经网络中最常用的算法之一.在对前馈神经网络和传统的BP算法研究的基础上,发现了传统算法中存在的问题.通过引入网络复杂性的量,提出了一种新的改进算法,命名为基于网络复杂性的BP算法.该算法能够删除掉冗余的连接甚至节点,通过对网络学习步长的动态调整,避免了算法收敛速度过慢和反复震荡的问题.最后通过实验说明该算法在一定程度上比传统BP算法有一些优越性.     

基于Hadoop的GA-BP算法在降水预测中的应用

针对如何从海量的气象数据中挖掘出有用的知识,并提高气象预报的准确度,提出了在Hadoop平台上构建基于遗传神经网络算法的天气预报方法.该方法采用遗传算法与神经网络算法相结合,避免了传统算法容易陷入局部最优的问题,并以天津市13个台站1951–2006年的地面气候资料日值数据为基础,建立了遗传神经网络预测模型,最后以降雨量等级为决策属性进行了实验.结果表明,该方法对所有降水等级的预测准确率都要优于传统的神经网络算法,对于降水等级R₀的预测精度最高,达到了87%,不仅可以有效的处理海量气象数据,同时具有较高的预测精准度和良好的扩展性,为天气预报提拱了一种全新的思路和方法.     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。     

一种基于正交神经网络的曲线重建方法

提出了一种基于正交神经网络的曲线重建方法。该正交神经网络结构与三层交向网络相同,不同的是正交网的隐单元处理函数采用Ｔｃｈｅｂｙｃｈｅｆｆ正交函数,而不是ｓｉｇｍｏｉｄｉａｌ函数,新的曲线重建方法具有利用较少的数据点列将光滑的曲线以较高的精度重建的特点,网络训练采用Ｇｉｖｅｎｓ正交学习算法,由于它不是一种迭代算法,故学习速度快,而且没有网络初始参数的选取问题,网络训练又能避免陷入局部极小解等问题。实     

遗传BP神经网络及其在异常检测中的应用

为了克服BP神经网络速度慢、易陷入局部最小的缺点,利用GA的全局搜索能力优化BP神经网络权值,本文提出了遗传BP神经网络算法,并将其用于异常检测之中。在对Kddcup,99攻击数据进行分析和特征约简的基础上,设定了遗传BP神经网络算法的参数。实验结果表明,基于遗传BP神经网络异常检测模型的建立快于BP神经网络算法。