基于自组织特征映射的网页分类研究

本文提出了一种SOFM(自组织特征映射)与LVQ(学习矢量量化)相结合的分类算法,利用一种新的网页表示方法,形成特征向量并应用于网页分类中.该方法充分利用了SOFM自组织的特点,同时又利用LVQ解决聚类中测试样本的交迭问题.实验表明它不仅具有较高的训练效率,同时有比较好的查全率和查准率.     

基于自组织特征映射神经网络的地图压缩

本文在介绍自组织特征映射（SOFM）神经网络的基础上,针对基于自组织特征映射神经网络的矢量量化算法,提出使用该算法对彩色地图进行压缩。实验表明此方法对地图具有明显的压缩效果,对其色彩进行了优化。压缩后地图的细节有一定损失,但不影响地图的判读。     

基于自组织特征映射神经网络的零件加工尺寸类型识别

 提出一种基于自组织特征映射神经网络（SOFM）的零件加工尺寸类型识别方法.首先从三维CAD软件中获取包含零件特征数据的XML文件,并从文件中提取相应的加工特征及尺寸.然后以零件加工特征作为SOFM的输入层的神经元,经处理后作为SOFM的输入向量,利用SOFM自学习和自组织能力对输入向量进行训练.训练好的网络可以实现对零件加工尺寸类型进行较好的识别.最后通过对某零件的尺寸类型识别,验证了所提方法对平面、内孔、外圆和定位四类典型加工尺寸类型识别的有效性.     

基于自组织神经网络的建筑市场执业资格人员信用分类研究

利用自组织神经网络技术,结合建筑市场执业资格人员信用的相关特点,研究了网络中神经元个数的确定、训练步数、网络维数、获胜神经元的领域等对网络结构和执业资格人员信用划分类别的影响,给出了执业资格人员信用分类的网络构造思想和神经网络结构,并以被调查的执业资格人员为例进行了实证研究。研究结果表明,该方法简便、易行,适用于执业资格人员信用分类研究,为开展执业资格人员信用管理奠定了良好的理论方法基础。     

基于自组织神经网络(SOM)的成绩分析

考试成绩是评估教学质量的一项重要依据,相比于k-means算法需要确定合适聚类数目的缺点,利用自组织神经网络(SOM)对学生成绩自动聚类。根据聚类结果分析学生的学习差异和学习特点,以提高和完善教师的教学方法。     

提升KPCA方法特征抽取效率的算法设计

在PCA基础上发展出的KPCA方法能抽取样本的非线性特征分量。然而, 基于KPCA的特征抽取需计算所有训练样本与待抽取特征的样本间的核函数, 因此, 训练集的大小制约着特征抽取的效率。为了提高效率，假设特征空间中变换轴可由一部分训练样本(节点)线性表出，并设计了改进的KPCA算法(IKPCA)。该算法抽取某样本特征时，只需计算该样本与节点间的核函数即可。实验结果显示，IKPCA在对应较好性能的同时，具有明显的效率上的优势。     

基于自组织映射的产品造型特征辨识研究

为解决长期以来在产品造型设计中缺乏系统化、自动化的设计方法,以汽车侧面造型为例,利用贝塞尔曲线描述汽车造型,确立汽车造型变量,从而可使用数值来表现造型.利用自组织映射神经网络建立模拟消费者的认知机制,分析各造型类别的数值差异,并计算其共同的特性,提取造型特征.该文的研究结果可建立一套能自动提供消费者对产品认知模式的方法,藉以加速设计的流程,辅助设计师有效地进行产品造型设计.     

基于神经网络规则抽取的产品服务配置规则获取

针对由混合配置前件导致的大量耦合的、相互关联的复杂规则,提出了LC神经网络和RULEX算法联合实施下基于历史数据的个性化产品服务配置规则获取方法,包括基于LC的规则构造和知识发现,基于RULEX的规则抽取,网络模块的划分与提炼,以及配置规则适应度评价。最终通过楼宇控制产品服务说明了该方法具有较好的网络训练效率和规则复杂度。     

神经网络在图像压缩技术中的应用

综述了神经网络作为图象压缩信号处理工具的方法，由于神经网络的大规模并行及其分布结构，使之成为解决数据压缩的有力工具；网络的特征与人类视觉系统的特征相类似，这就使我们更容易处理视觉信息，例如，多层感知可作为差分脉冲编码调制的非线性预测器，已这种预测器较线性预测器可改进预测效果，另一活跃的研究领域是Ｈｅｂｂｉａｎ学习规则获取主分量。主分量是理想的线性ＫＬ变换的基向量。这些学习算法的计算更优越于传统特征     

自组织方法

目前在油田开发产量或采收率预测方面，所采用的大多是经验的分析建模方法，先从单因素分析出发，进而进行多因素组合建立预测模型。这种方法首先需忽略其它因素的影响找出单因素对输出参数的影响规律（即函数对应关系），在实践中往往难度较大且很难找到合适的函数形式去表示。本文主要通过运用自组织方法也有效的解决了上述难点，发挥了较好的效果。     

Predicting Dementia Risk Factors Based on Feature Selection and Neural Networks

Dementia is a disorder with high societal impact and severe consequences for its patients who suffer from a progressive cognitive decline that leads to increased morbidity, mortality, and disabilities. Since there is a consensus that dementia is a multifactorial disorder, which portrays changes in the brain of the affected individual as early as 15 years before its onset, prediction models that aim at its early detection and risk identification should consider these characteristics. This study aims at presenting a novel method for ten years prediction of dementia using on multifactorial data, which comprised 75 variables. There are two automated diagnostic systems developed that use genetic algorithms for feature selection, while artificial neural network and deep neural network are used for dementia classification. The proposed model based on genetic algorithm and deep neural network had achieved the best accuracy of 93.36%, sensitivity of 93.15%, specificity of 91.59%, MCC of 0.4788, and performed superior to other 11 machine learning techniques which were presented in the past for dementia prediction. The identified best predictors were: age, past smoking habit, history of infarct, depression, hip fracture, single leg standing test with right leg, score in the physical component summary and history of TIA/RIND. The identification of risk factors is imperative in the dementia research as an effort to prevent or delay its onset.     

Sentiment Classification Based on Piecewise Pooling Convolutional Neural Network

Recently, the effectiveness of neural networks, especially convolutional neural networks, has been validated in the field of natural language processing, in which, sentiment classification for online reviews is an important and challenging task. Existing convolutional neural networks extract important features of sentences without local features or the feature sequence. Thus, these models do not perform well, especially for transition sentences. To this end, we propose a Piecewise Pooling Convolutional Neural Network (PPCNN) for sentiment classification. Firstly, with a sentence presented by word vectors, convolution operation is introduced to obtain the convolution feature map vectors. Secondly, these vectors are segmented according to the positions of transition words in sentences. Thirdly, the most significant feature of each local segment is extracted using max pooling mechanism, and then the different aspects of features can be extracted. Specifically, the relative sequence of these features is preserved. Finally, after processed by the dropout algorithm, the softmax classifier is trained for sentiment classification. Experimental results show that the proposed method PPCNN is effective and superior to other baseline methods, especially for datasets with transition sentences.     

用神经网络方法修正悬索桥动力模型

提出了一种基于神经网络的结构动力模型修正方法。讨论了该法实施过程中的若干具体技术问题 ,如网络学习算法、训练样本生成、结构修正参数确定、边界条件的模拟以及结构振型变化的有效表征等。最后对某悬索桥模型进行了动力模型修正 ,数值结果表明该法是实用可行的     

基于模糊神经网络技术的定量秤研究

以传送带、料门给料的动态称重过程为对象,提出了一种新型动态定量称重控制方法。该方法从过程对象的实际出发,基于多元复合控制思想,称重策略采取分段控制并引入模糊神经网络控制技术,调节量采取给料门和传送带两个自由度协调。研究结果表明:该方法能够比较理想地解决动态定量称重过程中速度与准确度的矛盾。动态称重设定值为1000g时,该装置定量误差为±0 5%,称重速度<8s 次。     

基于特征金字塔的多尺度特征融合网络

特征金字塔网络（FPN）是CNN网络对图像信息进行表达输出的一种有效方法,在目标检测网络中广泛应用．然而,FPN没有充分地将浅层的细节信息传递到深层的语义特征,存在特征融合不足的缺陷,因而只能依靠深层语义信息来进行预测,从而忽略了网络低层细节信息,对各种视觉学习的效果造成了一定的影响．针对FPN存在的以上问题,本文提出基于特征金字塔的多尺度特征融合网络模型,在FPN主干网络的基础上,设计了混合特征金字塔和金字塔融合模块,并结合注意力机制,对特征金字塔进行了多尺度的深度融合．本文在PASCAL VOC2012和MS COCO2014数据集上,以Faster R-CNN作为基础检测器进行实验,验证了MFPN对特征融合的有效性．     

基于DDE和小波分析的神经网络故障诊断

应用DDE技术对小波分解后的故障信号进行特征提取 ,利用BP网络进行故障诊断 ,并给出了齿轮箱的故障诊断实例 ,实验证明 ,此方法能取得较好的效果。     

智能神经网络在Internet入侵检测中的应用

探讨了一个基于智能神经网络的网络入侵检测系统模型，在对网络中的IP数据包进行分析处理以及特征提取的基础上，采用智能神经网络进行学习或判别，以达到对未知数据包进行检测的目的，智能神经网络可以将多种多样的入侵检测任务划分为多个单一的检测任务，并将这些任务分配给功能专一，结构简单的较小的智能神经网络来完成，实验证明这是一种行之有效的网络入侵检测的解决方法。     

Neural Network Based Thickness Estimation from Multiple Radiographic Images

Back propagation (BP) type artificial neural networks (ANN) have been trained and used for thickness estimations from radiographic images. Test objects have been assembled from different materials and radiographic images of the test objects were obtained for thickness estimations. While some of the study has been based on the synthetic images formed through the radiographic simulation program XRSIM, the rest of the study has used actual radiographic images. The average estimation errors were 7% and 9% when two and three synthetic radiographic images obtained at different x-ray tube settings were used. With the actual images, the thickness of only one of the materials has been estimated and the material was identified. This has been due to the fact that scattering of x-rays by the test object results in a non uniform gray scale variation in the radiographic images even though the object thickness is uniform.     

基于瞬时最优控制神经网络的建筑结构主动控制研究

改进一种基于瞬时最优控制的神经网络训练算法。本方法以瞬间最优控制价值函数最小化为训练目标,考虑了地震输入的能量,利用最速下降梯度法计算权值的改变量,并对敏感度矩阵进行近似处理,可解决神经网络控制中神经网络控制器难以获得的训练输入/输出样本对的难题。该方法适合多输入/多输出结构体系,整个推导过程都是针对此体系进行的。文中通过对一个三层框架结构体系进行有效的仿真计算,说明了算法的有效性。