基于纠错编码的CSNN及其在遥感图像分类中的应用

单输出组合神经网络(CSNN)克服了BP神经网络固有的缺陷，具有网络结构确定、分类行为易于解释、并行性好等优点，但分类精度比经过结构选择的BPNN略差．采用纠错编码可以提高CSNN的分类精度，首先根据类别数与纠错能力确定类别码组，每个码字对应一种类别，每个SNN子网对这些码字中的同一位进行训练，从而确定网络结构与每个子网所学习的二值函数；对未知类别的样本进行分类时，各SNN的结果组成一个输出码，计算该输出码与各类别码的汉明距离，选择与其距离最近的类别码所对应的类别为该样本的类别；基于纠错编码的CSNN的分类行为易于转化为规则集形式，可理解性强．将该网络结构用于遥感图像分类，并与其他分类算法进行比较，结果表明采用纠错编码技术，CSNN不仅具备原有的各项优点，而且分类精度得到显著提高．     

神经网络BP算法在网络搜索中的应用

本文介绍了利用神经网络的网络搜索方法,利用神经网络的自学习能力实现网络再次搜索,依靠神经网络BP算法实现了搜索引擎的自学习能力。实验表明该法方法有效的提高了网络搜索的准确度和灵活行。     

一种新型ARTII无监督分类算法

ART是一种典型的、无监督的、能够对复杂输入模式实现自稳定和自组织识别的神经网络。该文针对标准ARTII算法的预处理信号畸变问题,提出了新的非线性变换函数和竞争学习算法,该新型ARTII算法的输入域由原来的非负实数域扩大到整个实数域,且分类性能良好,以多种分类问题对该算法的性能进行验证,结果表明该算法性能优良,能自适应地识别未知故障模式,分类准确。     

一种鲁棒的监督流形学习算法及其在植物叶片分类中的应用

结合数据点的类别信息、局部信息和数据点的可信度,给出一种测地距离定义。在此基础上,提出一种改进的鲁棒性监督等度规映射算法,并应用于植物叶片分类中。首先利用改进的等度规映射将叶片图像投影到低维流形空间。然后采用支持向量机分类器进行植物叶片图像分类与识别。最后利用20种实际植物叶片图像进行植物叶片图像分类实验。实验结果表明该方法是有效可行的。     

基于GPU的图像监督分类算法的研究

文中介绍了3种经典的图像分类算法在GPU上的实现,分别是简单贝叶斯分类、KNN、SNN分类。GPU与CPU协同处理是目前使用得较多的结构模式。一般在GPU上执行计算量比较大的程序 ,CPU负责指挥协调。文中对这3种算法进行了测试,通过实验分析,3种算法的GPU并行程序分别获得了平均72.472,149.536,125.39倍的加速效果。使用的GPU架构是Tesla k20c。贝叶斯、KNN和SNN算法是监督分类算法 。实验给出了3种算法图像处理的结果和时间,其均符合要求。     

BP神经网络及其在数据分类中的应用

BP神经网络模型是一种典型的前向型神经网络,具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力,是目前应用最为广泛的一种神经网络模型。本文介绍了BP神经网络的实现以及其在数据挖掘分类方面的应用。     

一种快速分类搜索运动估计新方法

在视频编码中 ,基于块的运动估计算法被广泛应用 .在保证估计质量的前提下 ,为了降低运动估计算法的搜索次数 ,提出了一种对于不同类型的块采用不同的搜索范围和搜索步骤的分类快速搜索 (CFS)运动估计新算法 .该算法首先对块进行分类 ,然后确定其搜索范围和搜索步骤 ,在应用分类搜索法时 ,根据运动矢量的中心偏置特性 ,将第 1步和第 2步的搜索窗采用 5× 5的窗口 ,第 3步采用 3× 3的窗口 .结果表明 ,该分类快速搜索新算法在运动矢量的估计质量上 ,明显优于传统三步搜索法 ,且搜索次数与传统三步搜索法相比 ,降低了 2 3% ,与全搜索法相比 ,降低了 91% .实验结果证明 ,该算法尤其适用于快速运动、复杂运动序列的运动估计 .与传统的全搜索法和三步搜索法相比 ,其更适合于用硬件实现 .     

聚类分析在非监督图像分类中的应用研究

为了提高聚类分析在非监督计算机图像分类中的应用效果,将设计并实现的基于密度和自适应密度可达聚类分析算法应用于图像分类.通过与K-means和层次聚类对图像分类效果的实验对比,证明了基于密度和自适应密度可达聚类分析算法在非监督计算机图像分类中具有良好的应用效果.     

一种神经模糊系统在数据分类中的应用

介绍了用于实现模糊分类的NEFCLASS系统，它能从数据中获取分类规则，得到的规则有良好的可解释性。并对它的结构和学习算法进行了分析，讨论了它的一个应用实例。     

应用BP神经网络对自然图像分类

针对图像的低层视觉特征和高层语义特征之间的鸿沟,利用一个多输出的BP神经网络,分析低层视觉特征,提取图像的主要颜色、灰度共生矩阵和7个不变矩向量作为网络的输入,用语义期望值作为网络的输出,并用加入动量因子和自适应学习率的BP算法来训练该网络。训练完成后,该网络能够对自然图像进行多种语义分类,从而建立起了从低层视觉特征到语义特征之间的映射。改进的BP算法提高了训练的速度和可靠性,实验证明,该方法取得了较好的检索查全率和准确率。     

改进GA-BP神经网络的无线信道预测方法

无线信道建模与仿真中,实现一种高效率、高准确性的无线信道预测方法是具有非常重要意义的。针对该需求,提出一种基于多种群遗传算法（Multi-population genetic algorithm, MPGA）-反向传播（Back propagation, BP）神经网络的无线信道预测方法。该方法通过改进遗传算法,优化BP神经网络中神经元的权值和阈值,以此改善BP神经网络预测精度差的问题,从而极大提高了BP神经网络的预测性能。将射线跟踪算法的理论值和BP神经网络结合,实现更高效的无线信道预测方法。通过对比遗传算法（Genetic algorithm, GA）-BP神经网络模型和MPGA-BP神经网络模型的预测误差,发现MPGA-BP神经网络模型的预测结果优于GA-BP神经网络模型,证明了所提出无线信道预测方法具有良好的精确度,可以更高效地进行无线信道预测。     

秃鹰搜索算法的优化及图像分类应用

针对秃鹰搜索算法(BES)存在求解的稳定性差且准确性低, 鲁棒性差等缺点, 提出了一种基于秃鹰搜索算法的新型算法(NBES). 首先, 在BES算法的选择搜索空间阶段融合正余弦优化机制算法, 构建融合后的位置更新公式. 其次, 在BES算法的搜索空间猎物阶段加入惯性权重自适应位置更新策略. 最后, 在BES算法俯冲阶段融合萤火虫优化机制算法, 重新定义位置更新公式. 通过11个标准测试函数验证NBES算法性能, 实验表明, NBES算法寻优准确性、收敛速度、鲁棒性都优于BES算法. 为了验证新算法的实际应用价值, 利用NBES算法优化卷积神经网络(CNN)中的超参数学习率, 并将优化后的图像分类模型用于医学影像病理性分类预测, 实验表明, 经过优化的CNN模型分类精度提高9%.     

Hadoop下多模式并行分类算法及其应用研究

根据人工神经网络自组织、高度并行以及具有非线性映射能力的特点,提出一种基于云计算的Hadoop多模式并行分类算法。通过将自组织映射网络与多个并行BP神经网络结合,提高多语义模式中复杂分类问题的学习效率和训练精度。采用Hadoop平台下的Map Reduce框架实现算法的并行处理,解决大规模数据样本训练时内存开销大、通信耗时长的问题。实验结果表明,与传统单BP多输出分类算法相比,该算法训练速度更快、分类精度更高,在处理大规模数据集时具有实时和高效的特性。     

一种基于动态量化编码的深度神经网络压缩方法

近年来深度神经网络（Deep neural network,DNN）从众多机器学习方法中脱颖而出,引起了广泛的兴趣和关注.然而,在主流的深度神经网络模型中,其参数数以百万计,需要消耗大量的计算和存储资源,难以应用于手机等移动嵌入式设备.为了解决这一问题,本文提出了一种基于动态量化编码（Dynamic quantization coding,DQC）的深度神经网络压缩方法.不同于现有的采用静态量化编码（Static quantitative coding,SQC）的方法,本文提出的方法在模型训练过程中同时对量化码本进行更新,使码本尽可能减小较大权重参数量化引起的误差.通过大量的对比实验表明,本文提出的方法优于现有基于静态编码的模型压缩方法.     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

一种深度小波过程神经网络及在时变信号分类中的应用

针对多通道非线性时变信号分类问题,提出一种基于稀疏自编码器的深度小波过程神经网络(SAE-DWPNN)。通过构建一种多输入/多输出的小波过程神经网络(WPNN),实现对时变信号的多尺度分解和对过程分布特征的初步提取;通过在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。SAE-DWPNN将现有过程神经网络扩展为深度结构,同时将深度SAE网络在信息处理机制上扩展到时间域,扩展了两类模型的信息处理能力。该网络可提取多通道时序信号的分布特征及其结构特征,并保持样本特征的多样性,提高了对信号时频特性和结构特征的分析能力。文中分析了SAE-DWPNN的性质,给出了综合训练算法。以基于12导联ECG信号的7种心血管疾病分类诊断为例,实验结果验证了模型和算法的有效性。     

改进的麻雀搜索算法及其求解旅行商问题

旅行商问题(TSP)是经典的NP难问题,对该问题的研究从未停止,也得到了很多的近似求解算法,但每一种算法都各有特色,正因如此,对旅行商问题总有新的算法在提出.麻雀算法是新近提出的算法,本文对麻雀搜索算法(SSA)的原理、搜索策略以及算法的基本流程进行研究分析,针对SSA搜索接近全局最优时,种群的多样性减少,容易陷入局部...     

一种面向检测的攻击分类方法及在IDS中的应用

对攻击进行分类,可以使攻击检测系统化,有助于构造高效的检测方法,从而改善IDS的性能。该文提出一种以IDS可直接收集的数据为基础、面向检测的攻击分类方法。进而将该方法应用于所有可在IDS网络数据源中检测出的攻击,提出DetectClass分类方法,用Z语言描述并证明其正确性;接着据此构造相应的检测方法。基于DetectClass攻击分类方法,设计开发原型系统DC-NIDS。     

一种新的监督聚类学习方法及其在故障诊断中的应用

本文提出了一种新的监督聚类学习方法。系统根据样本特征矢量空间的整体分布和局部分布情况对样本进行监督聚类,克服了传统神经网络只是利用样本局部分布信息调节权值造成的局部最小,计算量大等问题,并实现了包括对未知模式的识别。仿真结果表明该方法是可行和有效的。