基于遗传神经网络的误分类代价敏感网络入侵检测

针对传统的基于遗传神经网络的入侵检测模型未考虑误分类代价的不足,将误分类代价敏感的特征集成到基于遗传神经网络的网络入侵检测模型中,从而克服了传统模型中错误分类时可能导致代价过大的缺点。通过实验结果表明,增加了误分类代价敏感特征后的遗传神经网络能较好地控制网络入侵检测系统误报、漏报攻击时所产生的代价。     

Anisotropic Probabilistic Neural Network for Image Interpolation

This study proposes a novel image interpolation method based on an anisotropic probabilistic neural network (APNN). The proposed method uses an anisotropic Gaussian kernel to improve image interpolation, which causes blurred edges. The objective of this anisotropic Gaussian kernel-based probabilistic neural network is to provide high adaptivity of smoothness/sharpness during image/video interpolation. This APNN interpolation method adjusts the smoothing parameters for varied smooth/edge regions, and considers edge direction. This APNN uses a single neuron to estimate sharpness/smoothness. The proposed method achieves better sharpness enhancement at edge regions, and reveals the noise reduction at smooth region. This study also uses interpolating a slanted-edge image to reveal blurring and blocking effects. Finally, this study compares the performance of these proposed methods with other image interpolation methods.     

A Probabilistic Neural Network for Attribute Selection in Stereovision Matching

The key step in stereovision is image matching. This is carried out on the basis of selecting features, edge points, edge segments, regions, corners, etc. Once the features have been selected, a set of attributes (properties) for matching is chosen. This is a key issue in stereovision matching. This paper presents an approach for attribute selection in stereovision matching tasks based on a Probabilistic Neural Network, which allows the computation of a mean vector and a covariance matrix from which the relative importance of attributes for matching and the attribute interdependence can be derived. This is possible because the matching problem focuses on a pattern classification problem. The performance of the method is verified with a set of stereovision images and the results contrasted with a classical attribute selection method and also with the relevance concept. ID="A1" Correspondence and offprint requests to: Facultad de CC. Físicas, Universidad Complutense, 28040 Madrid, Spain. Email: pajares@dacya.ucm.es     

基于自编码器的贝叶斯网嵌入及概率推理

贝叶斯网(BN)是不确定性知识表示和推理的基本框架,广泛用于社交网络、知识图谱和医疗诊断等领域.特定领域中基于BN的分析诊断和决策支持,其核心计算任务是基于BN进行多次概率推理.然而,使用传统的概率推理方法,基于同一BN的多次概率推理其中间过程存在很多重复的计算结果,具有较高的时间复杂度.为了提高多次概率推理的效率,提出易于重用和易于计算的贝叶斯网嵌入及相应的概率推理方法.首先,借鉴图嵌入的基本思想,使用点互信息矩阵来表示BN的有向无环图结构和条件概率参数,提出基于自编码器和注意力机制的BN嵌入方法.其中,自编码器的每一编码层利用节点与其邻居节点(父节点和子节点)的相关性生成节点嵌入,从而在嵌入向量中保存BN节点间的概率依赖关系.然后,使用嵌入向量之间的距离来度量节点之间的联合概率,提出基于嵌入向量的BN概率推理方法.实验证明,针对BN的多次概率推理,所提方法的效率高于现有方法,且能得到准确的推理结果.     

基于Bagging的概率神经网络集成分类算法

目前的神经网络较多集中在以BP算法为基础的BP神经网络上。针对BP神经网络的不足,在分析研究概率神经网络和机器学习的基础上,结合集成学习的思想,提出了基于Bagging的概率神经网络集成分类算法。理论分析和实验结果都表明,提出的算法能够有效地降低分类误差,提高分类准确率,具有较好的泛化能力以及较快的执行速度,能够取得比传统的BP神经网络分类方法更好和更稳定的分类结果。     

基于PNN的飞机发动机故障诊断研究

鉴于概率神经网络良好的分类性能,提出一种基于PNN的飞机发动机故障诊断方法,成功对三种典型飞机发动机转子故障做出了正确诊断。研究表明,PNN网络诊断准确,对测量噪声有良好的鲁棒性,具有较好的工程应用前景。     

软组合概率神经网络分类器人脸识别方法

概率神经网络分类器具有学习速度快、易于实现的特点,而且其输出是后验概率, 使得分类器的软组合变得容易。利用概率神经网络的这些特点,提出了软组合概率神经网络分类器人脸识别方法,该方法包括3步:(1)对人脸图像做不完全小波包分解;(2)用包含低频成分的小波子空间图像训练概率神经网络分类器;(3)用模糊积分组合训练好的分类器。将该方法与3种基于矩阵子空间的人脸识别方法在JAFFE、YALE、ORL和FERET 4个人脸数据库上进行了实验比较,结果表明,提出的方法在识别精度和CPU时间两方面均优于其他3种方法。     

Neural Network Architecture for Synthesis of the Probabilistic Rule Based Classifiers

We introduce a novel neural network architecture, referred to as the normalizing neural network (NNN), where the propagated signals take the form of finite probability distributions. Appropriately tuned NNN can be applied as the compound voting measure while classifying new cases on the basis of approximate decision reducts extracted from the training data. We provide a general scheme of such a classification process, as well as some theoretical issues concerning the NNN construction. We compare the performance of the appropriately learnt NNNs with the fixed voting measures, for some benchmark data sets.     

概率神经网络故障诊断的粗糙集优化方法

针对径向基概率神经网络故障诊断输入量过多会影响网络学习效率的问题,提出了一种基于粗糙集的概率神经网络故障诊断优化方法.该方法用模糊C均值聚类将故障诊断训练数据离散化,使用粗糙集化简由输入输出属性构成的决策表,利用约简后的输入量重新构建神经网络故障诊断模型,使原有模型得到优化并以柴油机故障诊断为例说明该方法的有效性.     

基于概率神经网络的垃圾邮件分类

概率神经网络是由Specht博士在1989年提出的一种径向基神经网络的重要变形。本文提出了把概率神经网络用于垃圾邮件分类,并通过Matlab仿真试验与贝叶斯分类器进行比较,得到了比较理想的结果。     

概率神经网络在发动机故障诊断中的应用

由于发动机运行系统结构的复杂性,传统方法很难及时找出故障发生的原因,因此,提出采用概率神经网络PNN来实现对发动机运行系统的故障诊断.PNN是一种训练速度快、结构简单和应用广泛的人工神经网络,它采用贝叶斯分类决策理论建立系统的数学模型;以高斯函数作为激励函数,具有非线性处理和抗干扰能力强等特点.Matlab仿真结果表明,该诊断方法快速准确且易于工程实现.     

基于双概率神经网络的纹理图像识别

为提高纹理识别速度,在文献1纹理图像识别正确率较高的基础上,提出一种基于双概率神经网络（DPNN）的纹理图像识别方法。首先构造两个概率神经网络A和B,如果纹理特征明显,以较少的纹理特征能量特征作为网络A的输入参数即可识别,否则再加入统计特征和能量特征一起作为概率神经网络B的输入参数以达到较高的识别率。实验结果表明：采用双概率神经网络的纹理图像识别较文献1有更快的识别速度。     

基于贝叶斯方法的神经网络非线性模型辨识

研究了基于贝叶斯推理的多层前向神经网络训练算法,以提高网络的泛化性能。在网络目标函数中引入表示网络结构复杂性的惩罚项,以便能够在训练优化过程中降低网络结构的复杂性,达到避免网络过拟合的目的。训练过程中使用显式的概率分布假设对模型进行分析和推断,根据融入先验分布的假设和依据,获取网络参数和正则化参数的后验条件概率,并基于后验分布的贝叶斯推理得出最优化参数。利用上述算法训练前向网络,对一个微型锅炉对象进行了模型辨识,通过测试,证明所辨识出的对象模型能够较好地表现出对象的动态行为,且具有较好的泛化性能。     

概率神经网络下测试数据的分析处理

随着管理技术的发展,测试数据作为管理中的重要组成部分正在得到越来越广泛的重视。为了使现有的监测水平得到进一步提高,就需要使用先进的数学工具和手段来识别测试数据的真假。通过这些手段的运用来实现数据的优化,并同时统计测试数据样本模型来预测可能出现的错误信息。因此对测试数据数理统计的研究具有一定的理论价值和实用价值。     

径向基概率神经网络的一种自组织学习算法

介绍了径向基概率神经网络 (RBPNN)的一种自组织学习算法 ,该算法把径向基概率神经网络的结构原理与自组织聚类算法相结合 ,不仅能够完成对训练样本的聚类分析 ,标识出训练样本的类别属性 ,而且能够自动完成基于该训练样本集的径向基概率神经网络的训练过程 .本算法用于对 IRIS三种花型识别在训练阶段达到 97.33%的识别效果 ,而在推广能力方面 ,由本文算法得到的 RBPNN优于有标识的训练样本的 RBFNN     

基于径向基概率神经网络的植物叶片自动识别方法

提出一种将Gabor小波和神经网络相结合应用于植物叶片自动识别的方法.该方法对活体植物图像进行多尺度Gabor纹理特征提取,再使用一种径向基概率神经网络模型进行分类识别.实验结果验证该方法的有效性.     

基于PNN的航空铅酸蓄电池容量预测

针对航空铅酸蓄电池容量预测的复杂性和非线性等问题,提出了一种基于概率神经网络(PNN,probabilistic neural network)的航空铅酸蓄电池容量预测模型.阐述了PNN的基本理论,分析了影响航空铅酸蓄电池容量的因素,并合理地选取了PNN的输入量.在中国民航飞行学院各个分院采集样本数据并进行了验证,验证结果表明,基于PNN的航空铅酸蓄电池容量预测方法不但具有泛化能力好、学习速度快、预测精度高等优点,而且可以有效地减少由满容量放电造成的电池老化,延长航空铅酸蓄电池的使用寿命,具有良好的应用前景.