融合框架表示的汉语框架网词元扩充

由于汉语框架网(CFN)的词元覆盖不全，使得CFN不能在大规模真实的文本中进行框架语义分析。框架语义学通过建立框架来解释词语的意义，框架与词语具有一定的语义相关性，而现有的方法在词元扩充任务中往往忽略了这种语义相关性。为此，提出一种融合框架表示的神经网络模型用于CFN词元扩充。利用双向LSTM对词语的词典释义和框架名进行建模，采用注意力机制得到与框架相关的词典释义表示；将框架语义表示和词典释义表示融合，从而得到词典中每个词的得分，输出得分高的词语。实验结果表明，该方法有效提高了CFN词元扩充的准确率，且优于基线模型。     

神经网络在入侵检测系统中的应用

本文简要分析了当前的几种入侵检测方法,指出了将神经网络应用于入侵检测系统的优越性.重点介绍了LVQ神经网络的结构及其学习算法,提出了将LVQ神经网络用于入侵检测系统的方法,并给出了基于LVQ神经网络的网络入侵检测系统模型结构.最后,用matlab进行了仿真实验.结果表明,运用LVQ神经网络检测入侵,可以达到较高的准确检测率,是一种有效的入侵检测手段.     

神经网络在入侵检测系统中的应用

本文简要分析了当前的几种入侵检测方法,指出了将神经网络应用于入侵检测系统的优越性。重点介绍了LVQ神经网络的结构及其学习算法,提出了将LVQ神经网络用于入侵检测系统的方法,并给出了基于LVQ神经网络的网络入侵检测系统模型结构。最后,用matlab进行了仿真实验。结果表明,运用LVQ神经网络检测入侵,可以达到较高的准确检测率,是一种有效的入侵检测手段。     

LVQ神经网络在交通事件检测中的应用

提出一种基于LVQ神经网络的交通事件检测方法。提取上下游的流量和占有率为特征,LVQ神经网络作为分类器进行交通事件自动检测。LVQ网络结构简单,但却表现出比BP神经网络更强的有效性和鲁棒性。为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。运用Matlab 进行了仿真分析,结果表明提出的交通事件检测算法具有良好的检测性能。     

基于MATLAB的BP-LVQ神经网络组合分类模型

综合考虑神经网络分类误差率以及训练速率，文中从组合分类器结构出发，提出一种树形多层的BP—LVQ神经网络组合分类器模型。该组合分类器利用BP神经网络独立性以及自适应性解决了一般分类器难以不断学习和适应新攻击的问题，利用LVQ神经网络的竞争性将客观分类信息转变成使用者所定义的类别。利用MATLAB姬神经网络工具箱对该BP—LVQ神经网络组合分类模型进行仿真实验，实验结果表明，该组合分类器的分类效率明显高于单一分类器。     

一种利用颜色词检索图像的方法

在基于内容的图像检索中，图像的内容包括图像的低层视觉特征和高层语义。通常，前者是通过图像分析得到的数据，后者是用自然语言表示的概念词，但两者没有明显的联系。为了能够对彩色图像进行更有效的检索，试图将彩色图像的主色调数据与自然语言检索中的颜色词相结合，用于图像检索，并首先通过分析常用的颜色模型，提出了一种新的颜色模型和一种颜色相似度计算方法，然后在此基础上提出了一种提取图像主色调的方法，最后通过分析颜色命名系统，提出了一种利用颜色词检索彩色图像的方法，同时给出了初步实验结果。实验表明，这种方法在彩色图像检索中是有效的。     

基于注意力机制的改进CLSM检索式匹配问答方法

针对检索式匹配问答模型对中文语料适应性弱和句子语义信息被忽略的问题，提出一种基于卷积神经网络潜在语义模型（CLSM）的中文文本语义匹配模型。首先，在传统CLSM基础上进行改进，去掉单词和字母的N元模型层，以增强模型对中文语料的适应性；其次，采用注意力机制算法，针对输入的中文词向量信息建立实体关注层模型，以加强句中核心词的权重信息；最后，通过卷积神经网络（CNN）有效地捕获输入句子上下文结构方面信息，并通过池化层对获取的语义信息进行降维。基于医疗问答对数据集，将改进模型与传统语义模型、传统翻译模型、深度神经网络模型进行对比，实验结果显示所提模型在归一化折现累积增益（NDCG）方面有4~10个百分点的提升，优于对比模型。     

基于领域本体的新闻视频检索

新闻视频作为视频数据中有代表性的一种媒体,受到人们的广泛关注,对新闻视频的检索要求也越来越高.传统的新闻视频检索大多是非语义层面的,采用的是基于关键词的检索方法，难于获得令人满意的查准率和查全率．本文提出一种基于领域本体的新闻视频检索框架，定义了新闻视频检索中的新闻视频对象，使用语义表达能力强的领域本体来指导视频语义对象的标注，并针对“一词多义”问题提出了“概念域-概念”两阶段概念消歧算法；针对自然语言检索问题，使用领域本体进行查询优化和查询扩展，并提出了查询语句自动生成方法．实验表明，基于领域本体的新闻视频检索方法可以有效的提高检索性能．     

LVQ神经网络在磁瓦表面缺陷分类中的运用

在基于磁瓦表面缺陷图像直方图、纹理、投影和形状的特征提取的基础上,提出了一种用LVQ神经网络进行缺陷分类的方法,对现场采集到的6种主要缺陷类型进行了试验。试验结果表明,基于LVQ神经网络的分类器训练与分类的时间短,多缺陷种类分类时准确率高。     

基于AGA-LVQ神经网络的软件可靠性预测模型研究

针对当前大多数软件可靠性预测模型预测准确率不高等问题,利用LVQ神经网络的非线性运算能力和自适应遗传算法(AGA)的参数寻优能力,提出了一种基于AGA-LVQ的软件可靠性预测模型。首先对待预测的数据用主成分分析(PCA)等方法进行预处理以降低维度,去除冗余和错误数据,然后根据自适应遗传算法来计算最优的LVQ神经网络初始权值向量,最后运用LVQ神经网络进行软件可靠性预测实验。通过与传统方法的对比,证明该方法具有较高的预测准确率。     

基于LVQ神经网络的反网络钓鱼技术研究简

随着网上金融和电子商务的迅速发展,在线购物、网上理财的用户数量急速上升,人们日益享受着互联网带来的便利,与此同时,以网上理财、在线购物等电子商务用户为主要攻击目标的网络钓鱼活动也迅速蔓延。网络钓鱼严重损害了网络用户以及网络服务提供商的利益,影响我国电子商务的发展。本文提出了一种基于LVQ神经网络的反钓鱼技术,通过综合分析钓鱼网址的URL特征和页面特征,并进行自动分类,取得了良好的检测效果。     

基于MATLAB的BP-LVQ神经网络组合分类模型

综合考虑神经网络分类误差率以及训练速率,文中从组合分类器结构出发,提出一种树形多层的BP-LVQ神经网络组合分类器模型。该组合分类器利用BP神经网络独立性以及自适应性解决了一般分类器难以不断学习和适应新攻击的问题,利用LVQ神经网络的竞争性将客观分类信息转变成使用者所定义的类别。利用MATLAB神经网络工具箱对该BP-LVQ神经网络组合分类模型进行仿真实验,实验结果表明,该组合分类器的分类效率明显高于单一分类器。     

粗糙集在基于神经网络的入侵检测系统的探讨

随着计算机网络的发展,传统的计算机安全理论己不能适应网络环境的发展变化。传统的入侵检测系统在有效性、适应性和可扩展性方面存在一定的不足。因此,神经网络、遗传算法、粗糙集等理论被不断引入到入侵检测领域,来提高入侵检测的性能。本文主要是在对提高入侵检测能力的有效手段方面作了一些探讨。     

基于LVQ算法的SOM神经网络在入侵检测系统中的应用

目前,入侵检测技术（IDS）已成为网络安全领域研究的焦点,神经网络被应用到这项技术的研究上．文章在建立一、类基于SOM神经网络的分类器的基础上,应用了LVQ算法对SOM进行二次监督学习训练,极大提高了分类器的检测性能。仿真试验结果证明了该检测模型的有效性。     

改进SOM神经网络在电力调度故障诊断中的应用

为了解决电力调度自动化系统中故障、安全监测不到位,尤其是缺少精确定位和关联分析等问题,利用改进的SOM神经网络提出了一种故障诊断模型.首先,在分析调度系统历史数据基础上,提取故障的特征向量,建立学习样本.接着通过算法训练输入和输出间的内在联系,供后续测试验证使用.最后,在已具备数据内在映射关系的网络中,测试待检测数据,验证其故障诊断的效果.最后的结果表明,此模型对不同类型故障识别和诊断能力较强,是一种行之有效的人工智能诊断方法.     

基于LVQ神经网络的视频监控图像火焰检测与识别算法

针对传统火灾火焰探测技术存在不稳定、误判率高的缺点,提出了一种基于人工神经网络的火焰检测与识别算法。通过分析火焰图像的动态特性,利用火焰图像序列的离心率、放射性和整体移动等特征信息,结合学习向量量化(LVQ)神经网络进行训练仿真。实验结果表明,该算法能有效提高监控视频图像中可疑火焰的快速分类,稳定性强,具有较高的火焰识别准确率。     

Classification of parameter changes in a dynamic system with the use of wavelet analysis and neural networks

In this paper a neural detector of internal parameter changes in a stationary, non-linear SISO dynamic system is considered. A dynamic system is usually described by an input-output relation or by a set of state equations. Each change of parameter values creates a new non-nominal model of a dynamic system (sometimes with different values of parameters, sometimes with different structure and different values of parameters). Thus the detection of parameter changes can be formulated as a multi-model classification. The LVQ (Learning Vector Quantisation) neural network has been proposed as a classifier. Selected aggregated properties of discrete wavelet decomposition coefficients of the system output have been chosen as the inputs of the LVQ classifier. The output of the classifier points out the current model. The proposed approach to classification can be adopted as a fault detection method where faults are represented by changes of values of internal parameters of a system. The algorithm has been evaluated on the example of a non-linear fluid system with a non-ideal pipe which internal state is characterised by one value of a parameter, chosen from the known set.     

基于学习矢量量化算法的财务失败预测研究

实现有效的财务失败预测对于银行、投资者、企业和政府管理机构来说具有重要的意义，因而相关研究一直在金融信息处理领域中备受关注。近年来，神经网络方法被引入该领域并成为新的研究热点。文中分别利用160家和384家公司的财务数据作为训练集和测试集，首次将学习矢量量化(LVQ)算法应用至中国上市公司的财务失败预测模型的构建．井与传统的BP神经网络、对数回归模型、C4．5决策树等方法进行了实证分析比较。研究结果表明学习矢量量化算法与这些传统方法相比具有更高的预测精度，在此领域有着良好的应用前景。     

结合概率型神经网络(PNN)和学习矢量量化(LVQ)算法的文本分类方法

针对文本自动分类问题,提出一种基于概率型神经网络(PNN)和学习矢量量化(LVQ)相结合的文本分类算法,该方法借助TFIDF方法提取文本特征及特征值,形成文本分类特征向量,利用概率型神经网络构建分类模型,并利用LVQ学习算法对神经网络模型竞争层网络进行学习,使相应模式向量相互靠拢,远离其他模式,从而实现文本分类.实验结果表明,提出的该方法在文本分类中表现了很好的效果,不仅具有很好的分类准确率,还表现出很好的学习效率.