一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

BP 神经网络改进算法的应用

目的通过 MATLAB 实现 BP 神经网络的改进算法. 方法采用了动量法和学习率自适应调整的策略. 结果运用 MATLAB 对 BP 神经网络进行初始化和训练. 结论实践证明, 改进了的 BP 神经网络算法, 提高了学习速度, 增加了算法的可行性. 利用 MATLAB 软件提供的工具箱编制 BP 网络解决非线性问题是一种便捷、有效、省事的途径.     

基于改进BP神经网络的全社会用电量预测模型研究

采用引入附加动量和自适应学习率的BP(Back Propagation)神经网络来构建全社会用电量预测模型,此模型有效地解决了标准BP神经网络容易陷入局部极小点和收敛速度慢的问题,并且能够很好地解决全社会用电量与其影响因素之间复杂的非线性关系。利用MATLAB7.0对该模型进行了设计,并用设计好的模型对1986~2005年的全社会用电量及GDP数据进行了仿真,仿真结果表明该模型收敛速度快、拟合效果好、泛化能力强、预测精度高。运用该模型对2006年全社会用电量进行了预测,预测结果表明该模型具有一定的实用价值。     

基于多因素交互作用的地面激光回波强度精度分析

研究地面激光扫描中扫描距离、激光入射角、目标物粗糙程度、目标物颜色对激光回波强度的影响.应用Box-Behnken Design中心组合试验原理,设计4因素3水平试验,对结果进行统计分析,并结合多因素交互作用对激光回波强度进行响应面分析,结果表明:4个因素对激光回波强度的影响显著程度从小到大排序依次为激光入射角、扫描距离、颜色和粗糙度,且扫描距离和入射角、扫描距离和粗糙度的交互作用显著,其他因素的交互作用不显著,采用SPSS 22.0软件对试验结果进行非线性回归分析,建立激光强度修正模型,并通过试验获取单一目标的点云数据进行激光回波强度修正,验证该模型能够有效地使同一目标的激光回波强度值趋于一致.     

一种顾及辐射畸变的多波束与侧扫声呐通用海底底质分类方法

声学海底底质分类对于海底环境和生态系统的研究具有重要意义,而多波束与侧扫声呐是目前最常用于探测海底底质的声呐设备.然而,多波束与侧扫声呐都严重地受到辐射畸变的影响,导致声呐图像噪声较大且难以消除,进而造成对海底底质的误判,并且多波束与侧扫声呐通用底质分类方法目前仍然较为缺乏.为此,本文提出了一种顾及辐射畸变的多波束和侧扫声呐的通用海底底质分类方法.该方法包括了对声呐图像中辐射畸变的改正、针对两种声呐数据特点的不同角度数据归一化、分类数自适应的非监督底质分类以及形态学去除底质图像噪声的步骤,并给出了完整的多波束与侧扫声呐通用海底底质分类流程.将本文方法应用于福建沿海同水域下实测的多波束与侧扫声呐数据得到了该水域的底质分类图像.实验结果表明了同区域下的多波束与侧扫声呐数据通过本文方法得到的底质分类结果具有较高的一致性,证明了通用底质分类方法的有效性,同时通过相互验证也提高了底质分类结果的可靠性.     

基于BP神经网络的艾滋病人病情分类研究

以美国艾滋病医疗试验机构ACTG公布的某一段时间内不同时刻艾滋病人CD4细胞数的5次检查值作为样本,将归一化处理后的样本数据作为BP神经网络的训练样本,病情类别特征编码作为网络输出。网络训练完成后,将艾滋病人某一段时间内不同时刻的5次CD4细胞数归一化后作为网络的输入,输出病情类别特征编码。此方法平均分类识别率高达88%左右,说明其对艾滋病人的病情分类比较成功,可以作为临床医疗的辅助手段。     

基于改进CNN-BiGRU-att模型的文本分类研究

为解决单一的卷积神经网络(CNN)缺乏利用上下文本信息与单一循环神经网络(RNN)对局部信息把握不全面问题,提出一种基于注意力机制的多通道TextCNN-BiGRU分类模型.首先,通过word2vec对初始文本向量化,经实验选取窗口值组成三通道.然后利用CNN的强学习能力提取局部特征,利用双向门控循环单元(BiGRU)提取上下文全局信息,运用注意力层与池化层获取并优化重要的特征.最后采用softmax函数使误差loss极小化.仿真实验结果表明,提出的模型分类性能,准确度达94%,损失函数值稳定在0.22%左右,具有良好的泛化能力,能够有效解决单一模型挖掘信息不全问题,有效提高分类效果.     

基于改进的BP神经网络钢板表面缺陷分类算法研究

钢板表面质量决定钢板的抗腐蚀性、抗磨性和疲劳强度等使用性能,决定相关产品的安全性能.目前还没有一种算法可很好的解决钢板表面缺陷分类问题.应用BP神经网络算法识别钢板表面缺陷,并采用高阶扰动理论解决BP神经网络算法固有的缺点,如学习速度慢、易陷入局部极值等.最后通过实验验证了算法的有效性,钢板缺陷识别率达到83%.     

基于多子阵检测法的多波束海底成像技术

为提高多波束测深声呐海底成像质量,提出了一种基于多子阵检测法的海底成像技术.其以多子阵检测法得到的高精度、高空间分辨率回波到达时间(TOA)和到达角度(DOA)估计序列为基础,对每个接收窄波束的波束输出信号经采样处理估计各个海底检测点的空间位置和回波强度,并考虑实际水声环境以及角度的影响对成像数据进行修正.由于该方法估计对回波强度与空间位置的解算都源于相同的TOA与DOA数据,所以两者能准确地一一对应,提高了成像质量,湖上试验数据的处理结果表明了该方法的有效性以及良好的空间分辨能力.     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于FVSM和自组织映射网络的Web文本自动分类方法

针对Web信息挖掘中的文本自动分类问题,提出了一种基于模糊特征向量(FVSM)和自组织特征映射网络的分类方法．网络由输入层和竞争层组成．输入层节点与竞争层节点实行全互连接．输入层完成分类样本的输入,竞争层提取输入样本所隐含的模式特征,并对其进行自组织,在竞争层将分类结果表现出来．分无监督和有监督两个阶段完成对网络的分类训练．该方法在特征提取时充分考虑了特征项在文档中的Web位置信息,构造出模糊特征向量,使自动分类原则更接近手工分类方法．以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性．     

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。     

基于深度双向分类器链的多标签新闻分类算法

在多标签新闻分类问题中,针对传统分类器链算法难以确定标签依赖顺序、集成模型运行效率低和无法应用复杂模型作为基分类器的问题,提出基于深度神经网络的双向分类器链算法. 该方法利用正向分类器链获取每个标签和前面所有标签的依赖关系,引入逆向分类器链,从正向链最后一个基分类器的输出开始反向学习每个标签和所有其他标签的相关性. 为了提取非线性标签相关性和提高预测性能,使用深度神经网络作为基分类器. 结合2条分类器链的均方误差,使用随机梯度下降算法对目标函数进行有效优化. 在多标签新闻分类数据集RCV1-v2上,将所提算法与当前主流的分类器链算法和其他多标签分类算法进行对比和分析. 实验结果表明,利用深度双向分类器链算法能够有效提升预测性能.     

基于无负样本损失和自适应增强的图对比学习

针对图对比学习方法中对输入图进行随机增强和须利用负样本构造损失的问题，提出基于无负样本损失和自适应增强的图对比学习框架.该框架利用输入图中节点度的中心性进行自适应增强以生成2个视图，避免随机增强对重要的节点和边进行删除从而影响生成视图的质量，以提高框架的鲁棒性.利用相同权重编码器网络得到2个视图的嵌入矩阵，无须进行指定.利用基于互相关的损失函数指导框架学习，该损失函数不依赖于非对称神经网络架构，无须用负样本构造损失函数，从而避免在图的情况下难以定义的负样本变得更具有挑战性，以及负样本构造损失会增大计算和存储负担的问题.所提框架在3个引文数据集上进行节点分类实验，结果表明，其在分类准确性方面优于很多基线方法.     

基于改进BP神经网络的复杂系统故障识别

复杂系统的故障种类多样,成因复杂,依靠传统的数学建模方式对复杂系统的故障进行识别和研究比较困难。研究了BP网络的非线性逼近能力和多分类能力,在此基础上分析了BP网络的设计方法和存在的缺陷,提出了一种基于变学习速率法与共轭梯度法相结合的BP网络性能改进算法,将其用于复杂系统的故障进行识别并进行了实验验证。实验的结果表明,改进后的BP网络缩短了训练时间,提高了故障识别的准确率,增强了网络的泛化能力,取得了良好的效果。     

基于模糊气候聚类和改进BP神经网络的建筑气候数据清洗方法

针对建筑节能气候数据质量较差的问题,提出一种基于K-MEANS的模糊气候聚类和改进BP神经网络模型的建筑物气候数据清洗方法.首先利用K-MEANS算法根据数据相关性将其划分为不同子类,针对K-MEANS聚类个数和初始聚类中心的选取问题,将主分量分析(Principal Component Analysis,PCA)与K...     

基于CNN、SVM和迁移学习的轮胎花纹分类

轮胎花纹图像分类在交通事故及刑侦破案取证中具有重要的作用。为了准确地分类轮胎花纹图像,提出了一种基于卷积神经网络(convelutional neural network,CNN)、支持向量机(support vector machine,SVM)和迁移学习的轮胎花纹分类算法。首先对辅助数据库ImageNet进行CNN训练得到初始CNN模型;其次,基于迁移学习思想,利用轮胎花纹图像数据库对初始CNN模型的分类层进行微调训练,得到用于轮胎花纹图像分类的CNN模型;最后,从所得CNN模型的第二个全连接层提取输出的4 096维特征,用该特征对轮胎花纹图像进行基于SVM的图像分类。使用轮胎花纹图像数据库进行分类实验,结果表明,提出算法的分类精度达到93.1%。说明提出算法能够提高轮胎花纹图像的分类准确率。     

基于改进MobileNet v2的垃圾图像分类算法

针对现有的垃圾图像分类模型实时性能差和分类精度低的问题,提出基于改进MobileNet v2的垃圾图像分类方法,构建以MobileNet v2为核心的轻量级特征提取网络. 通过调整宽度因子降低模型的参数量;在模型中嵌入通道和空间注意力模块,增强网络对特征的细化能力;设计多尺度特征融合结构,增强网络对尺度的适应性;利用迁移学习的方式优化模型参数,进一步提高模型精度. 实验结果表明,算法在自建数据集上的平均准确率为94.6%,分别高于MobileNet v2、VGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%;所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现;模型参数量仅为0.83 M,体积约为基础模型的2/5,在边缘设备JETSON TX2上的单次推理耗时68 ms,实现了推理速度和预测准确率的提升.     

基于特征融合和集成学习的建议语句分类模型

建议挖掘作为一项新兴研究任务近年来逐渐受到了研究者的关注。与英文相比,中文的建议表达形式更为丰富,呈现出许多不同特点,因此有必要在中文环境下开展建议挖掘研究。针对建议挖掘中的建议语句检测这一核心任务,提出一种综合应用Stacking和Bagging方法的集成学习模型来进行建议语句分类。使用Stacking组合分类器来构建概率特征空间,分别使用卷积神经网络(convolutional neural network, CNN)和段落向量模型(paragraph vector, PV)构建评论文本的CNN特征空间和段落向量特征空间,对上述特征进行融合,并训练Bagging分类器来对建议语句分类。在中文数据集上的试验结果验证了本研究模型的有效性。