基于蚁群算法优化回声状态网络的研究

针对输出权值采用最小二乘法的回声状态网络(ESN),在随机选取输入权值和隐层神经元阈值时,存在收敛速度慢、预测精度不稳定等问题,提出了基于蚁群算法优化回声状态网络(ACO-ESN)的算法。该算法将优化回声状态网络的初始输入权值、隐层神经元阈值问题转化为蚁群算法中蚂蚁寻找最佳路径的问题,输出权值采用最小二乘法计算,通过蚁群算法的更新、变异、遗传等操作训练回声状态网络,选择出使回声状态网络预测误差最小的输入权值和阈值,从而提高其预测性能。将ACO-ESN与ELM、I-ELM、OS-ELM、B-ELM等神经网络的仿真结果进行对比,结果验证经过蚁群算法优化的回声状态网络加快了其收敛速度,改善了其预测性能,并增强了隐层神经元的敏感度。     

基于特征加权的Category ART网络及应用

特征加权是特征选择的一般情况，它能更加细致地区分特征对结果影响的程度，往往能够获得比特征选择更好的或者至少相等的性能。该文采用自适应遗传算法来优化Category ART网络的特征权值，提出了一种改进的Category ART网络FWART。在UCI标准数据集上的实验表明，FWART网络获得了比Category ART网络更好的泛化能力。将该网络应用在地震震型预报上，取得了很好的预报效果。     

基于模糊综合评判的相似重复记录识别方法

针对在基于字符串匹配的相似重复记录识别中,属性权值确定主观性太强的问题,提出一种模糊综合评判获取属性权值的方法。采用多用户对各属性的重要性组成因素进行等级评价,通过模糊映射获得反映属性重要性的权值,并以此为基础进行相似重复记录识别。理论分析和实验表明,该方法能客观地获取各属性权值,因而在相似重复记录识别中有较高的识别精度。     

基于属性的概念格快速渐进式构造算法优化

文章提出一种基于属性的概念格快速渐进式构造算法,主要解决传统算法存在执行时间长和准确率低等问题。首先,该算法引入单属性权值、多属性权值、阈值设定3个内容,并对其进行优化。其次,利用信息熵和偏好修正系数,对单属性权值获取进行调整,从原始数据中获取多属性权值。最后,通过阈值设定衡量多属性的重要性,同时约束条件获取合理的属性权值取值结果。实验结果表明,该算法优化后生成的概念数量小于原概念格中概念的总数,执行时间更短,准确率更高。     

基于客观赋权的网络资产重要性评估方法

鉴于资产重要性评估中权值赋予主观性过强,造成资产重要性评分不够准确问题。提出一种客观赋权法(M-EWM&VCM),用于网络空间的资产重要性评估。该方法给出网络资产重要性评估所参考的六个评价指标,使用min-max归一化方法进行数据预处理,依靠改进熵权法(M-EWM)和变异系数法(VCM)共同作用,求得各评价指标权值,计算出资产重要性评分。实验证明,该方法较熵权法或变异系数法单独作用后计算出的重要性评分,其结果与选取的评估基线更贴近,更符合客观实际。同时,该方法能够解决权值赋予均衡化弊端,克服对异常数据过敏感问题,获得鲁棒性更强的评估结果。随着网络环境变化,该方法还能适当调整指标权值计算出更准确的资产重要性评分。     

考虑风险态度的区间值非加性BWM共识模型

针对属性权重未知,且考虑决策成员风险态度和属性关联关系的多属性决策问题,构建一种基于非加性最优最劣方法(BWM)的群体共识模型.首先,为处理不确定环境中的属性关联问题,提出区间值非加性BWM方法,该方法采用区间值刻画专家关于属性重要性的成对比较结果,以获取个体偏好下的属性重要性指数(权重),扩展了Shapley值的表示形式;其次,通过构建非加性BWM共识模型将个体偏好下的属性重要性指数转化为群体共识的属性重要性指数,在共识达成的过程中,利用隶属度函数度量决策成员的风险态度效用水平,并在一定预算限制下,探索决策成员的风险态度对群体共识的属性重要性指数及共识效用水平的影响;最后,通过案例分析验证模型的可行性和有效性.     

应用于洪涝灾害案例推理中的层次熵分析法

案例推理中影响匹配案例检索的关键因素之一就是特征属性权值的分配与确定。将层次熵分析法应用于洪涝灾害案例推理中,对灾后救灾口粮的需求进行了预估。由层次分析法分析决策问题的目标及多种层次因素,构造出合理的层次结构。结合主观判断信息得出特征属性权值的优先级。在此基础上利用熵技术对其进行修正,确保特征属性权值具有客观性,使得优选案例更加切合实际情况。通过实验结果证明,该方法适用于洪涝灾害案例推理,可以从多项历史案例中选择与目标案例匹配最佳的案例,从而为准确预测救灾口粮需求提供了科学的参考。     

基于熵权法的虚拟网络映射算法

目前虚拟网络研究的一个热点是虚拟网络映射,但是传统两阶段算法中的节点映射算法着重于提高网络资源利用率,而忽略了网络的整体负载性能。为了避免现有映射算法中使用单一固有属性计算拓扑势值带来的片面性,在节点映射过程中增加了节点的另一个固有属性。但是,由于这两个固有属性之间的数量级相差较大,从而引入熵权,通过计算两个属性的熵权值来优化拓扑势值的计算,提出了一种基于熵权法的虚拟网映射算法。仿真实验结果表明,所提出的算法提高了映射接受率,并降低了网络的整体负载。     

融合场景信息的图像美学属性评价

目的 图像美学属性评价可以提供丰富的美学要素,极大地增强图像美学的可解释性。然而现有的图像美学属性评价方法并没有考虑到图像场景类别的多样性,导致评价任务的性能不够理想。为此,本文提出一种深度多任务卷积神经网络(multi task convolutional neural network, MTCNN)模型,利用场景信息辅助图像的美学属性预测。方法 本文模型由双流深度残差网络组成,其中一支网络基于场景预测任务进行训练,以提取图像的场景特征;另一支网络提取图像的美学特征。然后融合这两种特征,通过多任务学习的方式进行训练,以预测图像的美学属性和整体美学分数。结果 为了验证模型的有效性,在图像美学属性数据集(aesthetics and attributes database, AADB)上进行实验验证。结果显示,在斯皮尔曼相关系数(Spearman rank-order correlation coefficient, SRCC)指标上,本文方法各美学属性预测的结果较其他方法的最优值平均提升了6.1%,本文方法整体美学分数预测的结果较其他方法的最优值提升了6.2%。结论 提出的图像美学属性...     

基于多层次属性加权的代码混淆有效性量化评估

为了克服软件保护过程中代码混淆方法选择的偶然性和盲目性,针对代码混淆量化比较和评估困难的问题,提出一种基于多层次属性加权的代码混淆定量评估方法:从攻击者角度出发,采用静态和动态逆向分析手段对混淆前后程序进行分析,量化基于程序属性的评估指标。构建三级层次分析模型,运用专家评分法来比较程序属性之间的重要性,以确定属性权值。在程序属性指标量化值和权值的基础上,运用层次分析法对不同混淆方法进行评估。实验和分析表明,评估方法能够定量地对不同混淆算法的有效性进行比较。     

快速分类神经网络在字符识别中的应用

本文以海明神经网络与自适应谐振理论(ART)模型学习算法为基础,从理论上分析了海明网络学习算法的缺陷,利用ART网络的思想,提出了一种快速分类的神经元网络的算法,命名为Improved Hamming算法(简称Im-H算法)。此算法主要优点在于阈值更新及引入了经验迭代次数。将此算法用于字符模式识别,大量的计算机实验结果表明了Im-H网络学习算法的有效性、快速性。     

ART2神经网络学习算法的改进

自适应共振(ART)神经网络具有无监督学习功能,能对时序信号进行实时学习、实时处理,能对已学习过的样本作出快速响应,自动识别等优点,尤其以ART2网络更具有实用性。但是传统的ART2网络存在幅度信息丢失和模式漂移等现象,针对这一情况,本文把模式漂移的方向作为一个因素进行考虑,通过设置漂移上限系数,引入栈结构对模式漂移的相反方向相互抵消,同一方向累加的方法有效限制了模式的飘移,对各改进算法进行比较体现本文算法的优越性。     

基于ART1网络的字符识别器

通过标准自适应共振理论神经网络(Adaptive Resonance Theory, ART),设计和实现了一个字符识别器,针对标准的 ART1网络存在的不足,即网络的学习不稳定,对样本输入顺序比较敏感等问题,给出了改进方法,用C语言实现了这2种字符识别器,实验结果表明这2种字符识别器能够对不同的字符进行识别,改进方法比基于标准ART1网络具有更好的稳定性。     

基于自适应神经网络的高速数字电路测试的研究

介绍了神经网络的模型建立。针对高速数字电路故障诊断的特点,提出了基于自适应神经网络诊断方法;与传统的神经网络相比,基于自适应神经网络具有学习速度快、网络能够收敛到最优权值、收敛精度很高、网络的分类能力强等特点,从而很好地提高故障诊断的效率;通过一个测试用例验证自适应神经网络在高速数字电路测试诊断中的应用,可以大大提高故障诊断的效率。     

一种基于最小风险检测ART网分类器的设计与人脸识别

本文通过对传统的自适应共振网络(ART)的研究,分析了其优缺点及应用领域,在此基础上提出了一种适合训练样本数较少、样本特征值维数较高的图像目标分类的最小风险检测 ART 网络,并重点讨论了该网络在结构上的改进和运行原理,以及基于该网络的分类器的设计及其算法实现过程。通过对 ORL 人脸库和 Yale 人脸库的图像样本仿真结果表明,应用该分类方法进行人脸图像分类识别,同时获得了较高的分类速度和分类效果。     

基于直觉模糊ART神经网络的群事件检测方法

描述了态势评估系统中的目标编群问题、目标群处理流程和群事件的检测。结合直觉模糊贴近度理论,构造了直觉模糊ART神经网络。设计了网络的运行机制和网络权值向量的学习机制。给出了一个具体实例,检验了直觉模糊ART神经网络的目标编群效果,为群事件检测提供了一条有效途径。     

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征,自适应共振(ART)网络有很好的学习能力。本文将二者结合起来,用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率,能够有效地进行手写数字的分类,可以满足实际应用。     

Error Classification and Yield Prediction of Chips in Semiconductor Industry Applications

In this paper, we present the application of supervised neural algorithms based on Adaptive Resonance Theory (Fuzzy ARTMAP, ART-EMAP and distributed ARTMAP), as well as some feedf-orward networks (counter-propagation, backpro-pagation, Radial Basis Function algorithm) to the quality testing problem in the semiconductor industry. The aim is to recognise and classify deviations in the results of functional and Process-Control-Monitoring (PCM) tests of chips as soon as they are available so that technological corrections can be implemented more quickly. This goal can be divided in two tasks that are treated in this paper: the classification of faulty wafers on the basis of topological information extracted from functional tests; and forecasting the yield of chips using the results of PCM tests. Experiments show that the neural networks can be applied to this problem efficiently, and the performance of ART algorithms is better than that of the other architectures.     

一种改进的ART1算法及其在人像识别中的应用

本文通过对自适应共振理论（ＡＲＴ）ＡＲＴ１的研究,提出了一种改进的ＡＲＴ１算法,这种算法不仅具有ＡＲＴ１算法的所有优点,而且降低了ＡＲＴ１算法的识别识误差。该算法在人像识别中取得了令人满意的效果。     

基于ART2网络聚类分析的数据融合算法研究

人工神经网络为数据融合提供了新的理论方法和技术手段,在数据融合的各个方面具有广泛的应用前景。自适应共振理论(ART)是一种无监督神经网络,能够实现对输入的任何模拟信号的自动识别和分类。据此提出了一种以ART2网络聚类分析为核心的数据融合算法,探讨了ART2网络用于特征层数据融合实现模式识别/分类的机理,最后给出该算法在一例模式识别/分类中的应用-实现对工业控制系统中设备运行状态的实时监测和故障诊断,验证了该算法的有效性和可行性。