基于图神经网络的物联网僵尸网络检测

提出一种基于图神经网络的物联网僵尸网络检测方法。首先,利用网络流数据将网络建模为节点不带特征而边带特征的图;然后,利用图神经网络,根据图中边的特征迭代学习通信拓扑图中各节点的向量表示;最后,根据得到的向量表示对节点进行分类,以此检测网络中被攻击者利用的僵尸主机。学习节点表示时,所提方法同时考虑了网络流特征和网络通信拓扑,并且明确考虑了图中边的方向。此外,所提方法是归纳式的,因此能够适应网络的动态变化,也难以被攻击者绕开。在2个公开数据集上的实验结果表明,所提方法在训练时能快速收敛,且相比于无法利用网络通信拓扑结构信息的模型,所提方法的Micro-F1分数更高。相比其他方法,所提方法更易于推广到训练时未见过的数据上。     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系.在相同结构和参数下,与BP神经网络进行分析对比.结果表明:利用小波变换对数据时...     

基于遗传算法的神经网络油水层识别

文章研究了基于遗传算法的神经网络油水层识别方法,针对神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,提出了基于粗集属性约简方法降低了输入信息的空间维数、减少了运算量和简化了神经网络的拓扑结构,利用遗传算法提高神经网络的训练速度。实验结果表明：将混合智能计算方法应用于油水层识别中效果显著,其学习训练速度和拟合精度远优于传统BP神经网络算法。     

基于强化学习的进化神经网络及其在机器人导航中的应用

神经网络的拓扑结构对网络的有效性起着十分重要的作用,网络建模中的主要困难就是如何有效地控制网络模型的结构进化趋势和复杂度.提出一种基于强化学习的进化神经网络(RL-EANN),采用强化学习方法对网络进化群体与外界环境交互的效果进行评价,使其无需任何先验知识即可进行学习进化,通过强化信号的约束来控制网络群体的拓扑结构进化趋势.并在移动机器人避障导航仿真实验中证明,采用RL-EANN能使仿真机器人在不确定环境中快速有效地学习避障和接近目标,取得较好的导航效果,实践证明该方法的合理性和有效性.     

融合先验知识的深度学习模型快速训练方法

为了提高深度学习神经网络的训练效率,本文提出基于模型训练先验知识进行神经网络训练优化的方法.在深度学习中参数同构的思想指导下,利用神经网络多次迭代的卷积层参数训练回归模型,并指导神经网络参数变化.实验表明:本文提出的方法可以在不修改原网络模型结构的同时显著降低模型在训练过程中引发的震荡现象;在保持模型分类准确率的情况下...     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理,针对3类交通标志,即禁止标志、警告标志和指示标志,提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成,前层网络由单个BP网络完成交通标志的粗分工作,后层由3个BP网络将粗分结果分别进行细分,完成识别任务。此设计结构与传统的单层分类器相比,在训练速度和识别正确率方面都有较大的提高;显然,这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时,增加新的训练样本时,只要对相应网络进行训练即可,而不必对整个网络进行重新训练。实验结果表明,基于神经网络的交通标志自动识别方法,具有很好的识别效果。     

基于重要性抽样的图卷积社团发现方法

根据图论将复杂网络转化为图结构数据,使卷积神经网络能够高效方便地处理;通过将图像上的卷积操作延伸到图结构数据上来定义卷积核,并通过卷积层对图的粗粒化和池化操作,提取不规则数据复杂网络的特征. 在采用随机梯度下降法训练网络时,设计一种重要性抽样方法改变样本的分布来缩减方差,从而节省梯度计算时间. 实验结果表明,与现有的图卷积网络相比,该方法在社会网络、引文网络、知识图谱数据集中,均能够以较低的计算复杂度获得较好的社团发现准确率;而且能够减少计算时的内存占用,可扩展到更大规模的复杂网络中使用.     

基于粗糙集和神经网络的机械故障诊断研究

提出了粗糙集理论与神经网络结合的机械故障诊断方法,研究了连续属性离散化的SOM方法和条件属性约简的差别矩阵方法,归纳了构建神经网络需考虑的关键问题,用一个算例验证了方法的有效性.结果表明：粗糙集能有效地约简冗余信息,简化神经网络的结构,缩短网络的训练时间,提高诊断的效率;SOM网络能将连续性输入映射成具有理想聚类结果的离散性输出,并能保持数据间的拓扑结构不变;利用差别矩阵对决策表进行约简,结果准确可靠;BP神经网络泛函逼近能力强,能快速准确地完成特征空间到故障空间的映射.     

基于BP神经网络的太湖富营养化时空变化预测

建立拓扑结构为5-9-1的3层BP神经网络模型,预测太湖的富营养化水平,为水环境监测平台提供决策支持。该模型采用动量梯度下降法对太湖的湖体的富营养化水平进行预测并评价。验证结果表明,训练后的网络得出的预测结果与实际值很接近。因此,采用BP(Back Propagation)神经网络对太湖湖体富营养化水平进行预测并评价是一种有效的方法。     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理，针对3类交通标志，即禁止标志、警告标志和指示标志，提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成，前层网络由单个BP网络完成交通标志的粗分工作，后层由3个BP网络将组分结果分别进行细分，完成识别任务。此设计结构与传统的单层分类器相比，在训练速度和识别正确率方面都有较大的提高；显然，这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时，增加新的训练样本时，只要对相应网络进行训练即可，而不必对整个网络进行重新训练。实验结果表明，基于神经网络的交通标志自动识别方法，具有很好的识别效果。     

船舶控制系统故障诊断神经网络专家系统的研究

将神经网络技术应用于船舶控制系统故障诊断专家系统，给出了系统的组成和知识的表达方法；提出了自增长动态网络学习算法，其优点在于学习迅速，能动态建造多层网；给出了神经网络专家系统的推理方法。     

一种基于神经网络的专家系统设计

提出了一种基于神经网络的专家系统设计方案,其核心是作为知识库的人工神经网络(ANN)和基于ANN的正向推理机制。研究了一种表达知识的二元产生式规则及其编码方法,通过编码知识被存储在ANN中。基于ANN的知识库,设计了一种具有正向推理的推理机,并且以动物识别为背景,设计了一个原型系统。     

基于BP网络的汉语句法分析专家系统

提出了一种基于BP网络的汉语句法分析专家系统的设计方案．知识库采用产生式规则的知识表达方式，并将知识二元化存储在神经网络中．推理机采用神经网络进行推理．在论文的结尾给出了系统的运行实例，说明了该系统的有效性．     

动态融合复杂网络节点重要度评估方法

为挖掘复杂网络中的关键节点及提高网络鲁棒性,针对有/无线多网融合的层级网络,提出了动态融合复杂网络模型及其节点重要度评估方法.结合动态融合复杂网络的特点,定义了边连通概率、路径连通概率、网络连通概率、融合节点比例、融合节点分布和融合路径比例等与网络动态性和融合性相关的参数.在单层复杂网络节点重要度评估指标的基础上,设计了融合网络节点度中心性、节点介数中心性和节点融合中心性指标.其中,融合节点的节点融合中心性表示融合节点对网络融合的贡献程度,非融合节点的节点融合中心性表示非融合节点对网络融合的辅助作用程度,主要体现在作为融合节点之间的中继节点.最后,综合考虑网络拓扑结构、动态融合特性等因素进行节点重要度评估.以改进的动态交织风筝网络为例进行仿真分析,结果表明该方法能够比较全面地刻画节点在动态融合复杂网络中的重要性.利用NS2搭建由光通信网和卫星通信网融合构成的仿真实验网络,进一步验证了在仿真网络环境中本方法的有效性.     

模糊神经网络在机载相机稳像中的应用

针对解决微型飞行器空中拍摄的图像抖动问题,采用自组织递归区间二型模糊神经网络的函数逼近及泛化能力对微型飞行器上的相机振动规律进行模拟,预测机载相机的振动矢量.该自组织递归区间二型模糊神经网络的初始规则数为零,所有规则都是通过结构和参数同时在线学习来产生,网络结构学习采用的是在线区间二型模糊群集,提高自组织递归区间二型模糊神经网络的稳定性及计算精度.仿真结果表明：将自组织递归区间二型模糊神经网络与双BP神经网络进行对比,利用自组织递归区间二型模糊神经网络对微型飞行器相机振动矢量进行预测的精度高.     

贝叶斯网络杂交学习算法及其在中医中的应用

针对贪婪贝叶斯模式搜索算法(GBPS)在搜索最优贝叶斯网络结构时易陷入局部最优的不足，提出了一种改进的GBPS算法.在GBPS算法的邻域生成过程中引入了有向边的变向操作，并通过仿真实验研究了样本数量和网络节点的连接边数对算法寻优能力、结果准确度和计算量的影响.将该改进算法用于从中医临床诊断数据中辨识症状与辨证要素间的复杂关系.结果表明，该改进算法的学习结果优于GBPS算法和贪婪贝叶斯有向无环图搜索算法(GBDS).所发现的症状－辨证要素间的相关关系与中医专家经验吻合较好，可用于从中医诊断数据中自动获取中医专家知识.     

基于熵判据自组织模糊神经网络的混沌时间序列预测

在自组织模糊神经网络(SOFNN)算法的基础上提出了一种基于熵判据的改进算法。依据动态自适应方式建立模糊神经网络,采用误差均方根判据和误差熵判据相结合的修剪策略,对网络进行剪裁,去掉对网络输出贡献小的节点。算法的主要优点在于:能够自动地决定神经模型的结构并得出模型的参数,而不需要对神经网络和模糊系统有深入的理论知识,算法具有非常高的预测精度,并且通过修剪策略提高网络的泛化能力。应用该算法对典型的混沌时间序列Mackey-Glass序列进行了研究,结果表明,应用新的修剪策略后,算法精度及泛化能力进一步提高,并且需要的先验知识少,更适合于实际应用。     

复杂open shop问题的网络模型及 调度规则设计

针对当前调度规则设计缺乏系统性这一现状,提出一种基于复杂网络理论的系统化设计启发式调度规则的框架.通过将复杂open shop (COS) 调度对象描述成复杂调度网络,并将相关的COS调度问题描述成对应复杂调度网络上的结点执行问题,从而将COS调度问题纳入到复杂网络理论体系下进行研究.在此基础上,通过在不同复杂调度网络上进行结点执行实验,发现复杂调度网络平均度值特征和网络结点平均总执行时间之间呈现对数关系.这一事实为设计基于度值的调度规则提供了理论基础,即优先执行度值大的结点,使得后续复杂调度网络具有尽可能小的平均度值.仿真实例证实,与其他调度规则相比基于度值的COS调度规则能够取得更好的最大完成时间（MFT）性能.     

有限元模拟的H型件自适应锻造专家系统

有限元模拟的Ｈ型件自适应锻造专家系统刘庆斌，季忠，刘马宝，吴诗　用传统人工智能方法建立的锻造专家系统智能水平低，获取新知识的能力差．用人工神经网络（ＡＮＮ）建立的锻造专家系统可以直接采用简单的运算来完成推理，且可以自组织、自学习，为知识获取和推理机制...     

层次模块化模糊神经网络在铝电解故障诊断中的应用

目的针对铝电解故障发生机理及特点，提出采用层次模块化模糊神经网络实现对铝电解故障快速、有效检测的新方法．方法利用数据处理子模块，诊断子模块，决策子模块，从而对铝电解生产过程中的故障进行诊断．结果数据处理子网络实现了对数据的特征提取，优化了数据结构，将大结构的神经网络分解成多个小网络，并用决策神经网络对故障进行模式分类．结论该方法优化了大结构神经网络的学习性能，提高了故障检测的准确率，具有良好的实用价值．