基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

复杂样本分类系统的FAGABPNN法

针对复杂样本的模式分类问题，提出了有效的因子分析法（FA）、遗传算法（GA）和BP神经网络（BPNN）相结合的FAGABPNN分类方法，基本思想是：首先利用因子分析法对输入样本降维，然后利用遗传算法和BP神经网络相结合的方法对系统进行建模．仿真结果表明，该系统为给复杂样本的分类提供了一条有效的途径．     

基于特征重构自愈残差网络的神经元形态分类

针对不同类别神经元之间的形态相似度高、类内区别性大,容易导致神经元分类准确率不高的问题,提出了一种基于特征重构自愈残差网络的神经元形态分类方法。针对传统卷积造成边缘像素弱化和填充策略带来新像素侵蚀特征的问题,在基础网络后端构建特征重构模块来保留重要的中心特征并过滤受损的边缘特征。利用自注意力权重模块和排序正则化损失方法增强对神经元形态特征的关注。自注意力权重模块为每个样本重新分配权重,以此捕获样本重要性进行加权损失;排序正则化模块则将这些权重按降序重新排序,分为高低2组权重,同时通过在2组平均权重之间强制执行边距进行正则化处理。所提方法在大鼠神经元形态数据集上进行实验,实现了较为优良的分类效果,在Img_-raw、Img_-resample和Img_-XYalign数据集上进行十二分类的准确率分别达到了96.7%,86.94%,85.84%。与其他分类方法相比,所提方法具有更高的神经元形态分类准确率,相较于基础网络ResNet18,有效地提升了神经元形态分类准确率。     

复杂样本分类系统的FAGABPNN法

针对复杂样本的模式分类问题,提出了有效的因子分析法(FA)、遗传算法(GA)和BP神经网络(BPNN)相结合的FAGABPNN分类方法,基本思想是:首先利用因子分析法对输入样本降维,然后利用遗传算法和BP神经网络相结合的方法对系统进行建模.仿真结果表明,该系统为给复杂样本的分类提供了一条有效的途径.     

神经网络PP算法用于三类基本波形分类时训练样本输入方式的研究

为了进一步研究神经网络ＢＰ算法用于模式分类时网络的性能，本文采用了四种方式向多层神经网络提供训练样本，并相互进行比较，结果表明：随机输入法和部分输入法的输入方式为较佳，从而说明了训练样本的输入方式对神经网络的性能有着直接的影响。     

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。     

复杂背景下的车型自动分类研究

针对复杂背景下的车辆自动分类问题,提出了一种新的车型识别方法.该方法是首先采用自适应高斯混合模型进行背景抽取,然后以背景抽取后的车辆侧面图像作为特征图像,设计了顶长比、顶高比和前后比3种参数对车型进行表达,最后通过训练—BP神经网络分类器对车型进行自动分类.对9个样本进行分类测试时,取得了均方误差小于0.0023、识别率达到100%的测试结果,表明笔者设计的车型分类系统可有效地实现车型的自动分类.     

一种基于动力学特征的机型分类识别方法

针对航迹数据量有限条件下,如何精确、快速地实现机型分类识别问题,提出一种基于动力学特征的机型分类识别方法。首先,分析飞机的运动特性,提取动压均值特征,并结合航迹数据中飞行高度、对地速度的均值特征,构建动力学特征数据集;其次,搭建轻量化BP神经网络作为分类器,使用训练数据集对网络进行训练,得到机型分类识别网络模型,实现机型分类识别。实验结果表明：在航迹数据量有限条件下,动力学特征的引入使机型分类识别的平均正确率提高了16.57%;与现有研究方法相比,分类识别所用时间为对比方法的13.3%。     

基于特征提取的缺陷图像分类方法

针对缺陷图像表面复杂多变、特征不宜提取的特点, 提出了一种归一化转动惯量特征和不变矩特征相结合的时域分析方法来构建缺陷图像的统计特征量, 同时增加缺陷矩形框区域内压缩度、距离极值比和线度特征量作为缺陷分类的依据;提出了在缺陷频谱图像内提取特征量的频域分析方法, 并将矩形框区域内所有像素点灰度平均值和灰度方差值作为缺陷分类的另一重要依据;同时将BP神经网络应用于缺陷图像的自动分类中, 构建了系统的缺陷分类器, 并对现场采集的常见6种缺陷类型进行了实验.结果表明, 该特征提取方法在很大程度上提高了特征的分类有效性;该BP分类器识别率较高, 现场整体识别率达到90%以上, 在一定程度上解决了缺陷图像分类难的问题.     

Back-propagation Network在巷道围岩稳定性识别中的应用

提出了以Back-Propagation Network(简称BP网络)进行围岩稳定性识别的模型，并根据收集到的煤矿围岩资料来训练和检验该模型。将评判结果与其它方法进行了比较，表明：BP网络经训练后具有较高的识别能力，可用于解决工程中的非线性问题。     

基于粗糙集特征优化通信控制终端分类方法

目的 根据无线通信建筑环境干扰的特征变化,寻找确定通信控制终端发射功率分类的方法 .方法 采用粗糙集软计算特征约简方法 对通信控制终端的原始特征进行优化,去除冗余特征,并采用BP网络对测试样本中随机选取的样本进行测试.结果 通过对该方法 仿真,证明了该方法 具有良好的识别精度.结论 根据通信控制终端的特征,提出基于粗糙集软计算的特征约简方法 .该方法 能够提高神经网络识别分类的可靠性和快速性.     

模糊控制BP网络的遥感图象分类方法研究

针对遥感图象分类中经常采用的BP算法存在训练时间长、不易收敛缺点,提出了一种改进方法,即采用模糊规则有效控制BP网络学习率的方法,该方法使网络具有自适应能力,从而不易陷入局部最小,导致收敛速度大大加快,训练时间大大缩短。最后以徐州地区TM图象土地利用分类为例,将模糊控制BP网络模型同BP算法及学习率自调整算法进行了比较。结果表明新方法确实大大加快了网络收敛速度,一定程度上提高了图象分类精度,是一种有效的图象分类方法。     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法．最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率．     

基于模糊BP神经网络的抑郁症分诊系统

基于模糊逻辑和BP神经网络相结合的方式,提出了一种抑郁症的早期自动诊断方法,研究了抑郁症的分诊指标和分级标准的确定和模糊处理方法,把模糊量化的数据作为BP神经网络的输入,构建了合适的3层BP神经网络。仿真结果显示,综合运用模糊算法和BP神经网络的方法能达到优势互补的效果,构建的模糊神经网络用于抑郁症的诊断是可行的。     

基于模糊积分多分类器融合的JPEG 图像隐写算法识别

提取和恢复嵌入信息是隐写分析的最终目的,嵌入算法识别是秘密信息提取的前提。目前研究者针对隐写算法识别提出了多种隐写分析系统,但这些系统各有优缺点,因此实际应用中难以取舍。文章提出基于模糊积分的多分类器融合方法来识别JPEG图像隐写算法。实验结果表明,相对于单个隐写分析系统,通过分类器融合后识别精度提高约5%。