一种基于球邻域模型的神经网络算法

手写体汉字识别问题属于一种大规模的模式识别问题.本文基于球邻域模型的几何意义解释,即将神经网络的训练转化为几何的点集覆盖问题,通过对神经网络分界面的分析提出了一种改进的前馈神经网络训练算法,并且引入神经网络集成的思想,用以解决手写体汉字的识别问题.实验结果表明该算法可以用来解决大规模的模式识别问题且具有较好的效果.     

一种用于大规模模式识别问题的神经网络算法

许多实际的模式识别问题如对手写体汉字的识别,都属于大规模的模式识别问题.目前,传统的神经网络算法对这类问题尚无有效的解决办法.在球邻域模型的基础上提出一种可用于大规模模式识别问题的神经网络训练算法,试图加强神经网络解决大规模问题的能力,并用手写体汉字识别问题检验其效果.实验结果揭示了所提算法是解决大规模模式识别问题的一个有效且具有良好前景的方法.     

基于仿生模式识别的构造型神经网络分类方法*

从BP神经元模型和RBF神经元模型几何意义出发,将仿生模式识别理论引入到神经网络分类中,提出了一种基于仿生模式识别的构造型神经网络分类方法,通过构造不同结构神经元结合的神经网络,实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖。实验证明该算法是非常有效的。     

一种新的基于构造型RBF神经元网络分类算法

依据RBF神经元模型的几何解释,提出一种新的构造型神经网络分类算法.首先从样本数据本身入手,通过引入一个密度估计函数来对样本数据进行聚类分析;然后在特征空间里构造超球面,以逼近样本点分布的几何轮廓,从而将神经网络训练问题转化为点集＂包含＂问题.该算法有效克服了传统神经网络训练时间长、学习复杂的缺陷,同时也考虑了神经网络规模的优化问题.实验证明了该算法的有效性.     

前向神经网络交叉覆盖算法的一种改进

对前向神经网络交叉覆盖算法进行了分析,在此基础上提出了一种改进的交叉覆盖神经网络模型,并给出其算法.实例表明这种改进算法不但可以进一步提高交叉覆盖算法的训练速度,而且可以减少拒识样本数,提高识别的精度,对样本分布较稀疏的模式识别问题具有较强的实用价值.     

基于仿生模式识别理论的高阶神经网络说话人识别方法

根据一种全新的仿生模式识别理论,提出了采用神经网络实现并完成说话人识别的新方法。该方法利用高阶神经网络形成的复杂包络在特征空间中构造不同说话人的覆盖区域达到识别目的。相关实验证明,这种新的说话人识别方法只要通过少量样本的训练即可达到比传统方法更高的识别率。     

前向神经网络交叉覆盖算法的一种改进

对前向神经网络交叉覆盖算法进行了分析,在此基础上提出了一种改进的交叉覆盖神经网络模型,并给出其算法。实例表明这种改进算法不但可以进一步提高交叉覆盖算法的训练速度,而且可以减少拒识样本数,提高识别的精度,对样本分布较稀疏的模式识别问题具有较强的实用价值。     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

构造型神经网络在故障诊断中的应用研究

提出一种新的故障诊断方法,以便更加有效地解决具有先验知识的故障分类问题。以先验样本点为中心,利用内积判断样本数据的相似度,从而进行聚类分析,在特征空间里作超平面与球面相交,得到一个球面覆盖领域,从而将神经网络训练问题转化为点集的覆盖问题。该算法以构造型神经网络为基础,其特点是直接对故障样本数据进行处理,由于覆盖中心确定,该算法构造出的是隐层元最少的网络结构,有效地克服了传统神经网络训练时间长、学习复杂的问题。计算机仿真实验结果证实了该算法的有效性。     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.     

Support Vector的几何解释及其在联想记忆中的应用

利用闭凸集上的投影解释support vector的几何意义，利用支持超平面讨论线性分类器的设计问题，对线性可分情形，Support vector由一类数据集合闭凸包在另一类数据集合闭凸包上投影的非零系数向量组成，SVM所决定的超平面位于两投影点关于各自数据集合支持超平面的中间，作为应用，文中给出一种设计理想联想记忆前馈神经网络的方法，它是FP算法的一般化。     

基于多传感器数据融合的智能小车避障的研究

针对智能小车避障问题,提出了一种将模糊逻辑和神经网络相结合的融合方法—Takagi-Sugeno(T-S)模糊神经网络方法。基于此方法的数据融合算法应用在智能小车避障运动中,采用多只超声波传感器和红外线传感器探测障碍物的距离和方向,采集的各种数据利用T-S模糊神经网络进行融合。通过实验仿真表明:此方法能够使智能小车对障碍物的灵活避障和导航行进。     

一种新的RBF神经元网络分类算法

为了改善对人工神经网络行为的认识和研究中的"黑匣子"式的难以处理的状态,基于RBF神经元模型的几何解释,提出了一种新的RBF神经网络分类算法,算法把RBF神经元看作是高维空间里的超球面,从而将神经网络训练问题转化为点集"包含"问题.同传统的RBF网络相比,算法能够自动地优化RBF网络中核函数的个数、中心和宽度,同时,省去了传统RBF神经网络输出层线性连接权的计算,简化了网络的学习过程,大大缩短了训练时间,并且通过实验证明了算法的有效性.     

Fuzzy relational classifier trained by fuzzy clustering

A novel approach to nonlinear classification is presented, in the training phase of the classifier, the training data is first clustered in an unsupervised way by fuzzy c-means or a similar algorithm. The class labels are not used in this step. Then, a fuzzy relation between the clusters and the class identifiers is computed. This approach allows the number of prototypes to be independent of the number of actual classes. For the classification of unseen patterns, the membership degrees of the feature vector in the clusters are first computed by using the distance measure of the clustering algorithm. Then, the output fuzzy set is obtained by relational composition. This fuzzy set contains the membership degrees of the pattern in the given classes. A crisp decision is obtained by defuzzification, which gives either a single class or a "reject" decision, when a unique class cannot be selected based on the available information. The principle of the proposed method is demonstrated on an artificial data set and the applicability of the method is shown on the identification of live-stock from recorded sound sequences. The obtained results are compared with two other classifiers.     

A neural network and fuzzy rule base hybrid for pattern classification

 This paper presents a novel hybrid of the two complimentary technologies of soft computing viz. neural networks and fuzzy logic to design a fuzzy rule based pattern classifier for problems with higher dimensional feature spaces. The neural network component of the hybrid, which acts as a pre-processor, is designed to take care of the all-important issue of feature selection. To circumvent the disadvantages of the popular back propagation algorithm to train the neural network, a meta-heuristic viz. threshold accepting (TA) has been used instead. Then, a fuzzy rule based classifier takes over the classification task with a reduced feature set. A combinatorial optimisation problem is formulated to minimise the number of rules in the classifier while guaranteeing high classification power. A modified threshold accepting algorithm proposed elsewhere by the authors (Ravi V, Zimmermann H.-J. (2000) Eur J Oper Res 123: 16–28) has been employed to solve this optimization problem. The proposed methodology has been demonstrated for (1) the wine classification problem having 13 features and (2) the Wisconsin breast cancer determination problem having 9 features. On the basis of these examples the results seem to be very interesting, as there is no reduction in the classification power in either of the problems, despite the fact that some of the original features have been completely eliminated from the study. On the contrary, the chosen features in both the problems yielded 100% classification power in some cases.     

Iterative inversion of fuzzified neural networks

The inversion of a neural network is a process of computing inputs that produce a given target when fed into the neural network. The inversion algorithm of crisp neural networks is based on the gradient descent search in which a candidate inverse is iteratively refined to decrease the error between its output and the target. In this paper. we derive an inversion algorithm of fuzzified neural networks from that of crisp neural networks. First, we present a framework of learning algorithms of fuzzified neural networks and introduce the idea of adjusting schemes for fuzzy variables. Next, we derive the inversion algorithm of fuzzified neural networks by applying the adjusting scheme for fuzzy variables to total inputs in the input layer. Finally, we make three experiments on the parity-three problem, examine the effect of the size of training sets on the inversion, and investigate how the fuzziness of inputs and targets of training sets affects the inversion     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题．通过对模糊神经网络和微粒群算法的深入分析,提出了一种多目标微粒群算法．在算法中将网络的精确性和复杂性分别作为目标进行优化,再用一种启发性分量加权均值法来选取个体极值和全局极值．算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解,为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法．茶味觉信号识别的仿真实验验证了该算法的有效性．     

基于覆盖的构造性学习算法SLA及在股票预测中的应用

覆盖算法是神经网络学习算法中的一个十分有效的方法，它克服了基于搜索机制的学习方法和规划学习方法计算复杂性高，难以用于处理海量数据的不足，为神经网络提供一个构造性的学习方法，但该方法是建立在所有训练样本都是精确的假设上的，未考虑到所讨论的数据具有不精确的情况，若直接将该方法应用于数据不精确情况，所得到效果不理想．主要讨论数据具有不精确情况下的时间序列的预测问题，为此将原有的覆盖算法进行改进，引入“覆盖强度”和“拒识样本”的概念，并结合这些新概念给出相应的覆盖学习算法(简称SLA)，最后将SLA算法，应用于金融股市的预测，具体应用到以上(海)证(券)综合指数构成的时间序列的预测，取得了较好的结果，这表明了SLA方法的可行性和应用前景。