一种RBF网络结构优化方法

通过对ＲＢＦ网络结构的分析，结合奇异值分解方法，提出了一种ＲＢＦ网络结构优化的标准，并在此基础上实现ＲＢＦ网络结构的优化。     

一种新的单张照片三维人脸重建方法

针对利用反向传播神经网络实现单张照片三维人脸重建方法中速度慢、精度低的缺点,提出了一种改进反向传播神经网络,该方法通过引入混沌变异思想有效解决了APSO算法中的早熟问题,然后以此APSO算法取代传统反向传播神经网络的梯度下降算法,通过对基于传统反向传播神经网络和改进反向传播神经网络的单张照片三维人脸重建方法对比实验,结果表明,采用改进后的反向传播神经网络算法实现的单张照片三维人脸重建,重建的三维人脸更加逼真,并且模型重建的效率和精度也得到了明显提高,重建的时间也大大减少.     

一种新的径向基概率神经网络模型（I）：基本理论

文中在径向基函数网络（ＲＢＦＮ）和概率神经网络（ＰＮＮ）的基础上，提出了一种径向基概率神经网络（ＲＢＰＮＮ）模型，这种网络保留了前两种网络模型的优点，即可以减少网络连接权值的训练时间，又能减少网络隐单元的数目，同时，网络用于测试的时间也较ＲＢＦＮ明显一地下降。     

一种基于RBF神经网络的转台分系统故障诊断方法

针对三轴精密测试转台各分系统故障诊断的需要,提出了一种基于径向基函数(RBF)神经网络的局部故障诊断方法。首先,给出了相应的RBF神经网络的结构,以及一种基于递归最小二乘法的改进学习算法;然后,将其应用到转台控制分系统的局部故障诊断中。根据控制分系统的常见故障及其特征信息,建立起基于RBF神经网络的故障诊断模型;最后,仿真实验结果验证了该方法的有效性。     

一种新的径向基概率神经网络模型（Ⅱ）：模型分析

文中从线必玳数的角度，对已提出的径向基概率神经网络（ＲＢＰＮＮ）的映射特性作了详尽的分析，最后，使用实测的飞机目标数据验证，该模型用作模式分类器十分有效的。     

一种新的径向基概率神经网络模型(Ⅰ):基本理论

文中在径向基函数网络（ＲＢＦＮ）和概率神经网络（ＰＮＮ）的基础上，提出了一种径向基概率神经网络（ＲＢＰＮＮ）模型，这种网络保留了前两种网络模型的优点，既可以减少网络连接权值的训练时间，又能减少网络隐单元的数目，同时，网络用于测试的时间也较ＲＢＦＮ明显地下降．     

传感器故障的神经网络信息融合诊断方法􀀁

提出了一种控制系统传感器故障诊断的结构形式,针对多传感器系统的特点,将相关传感器的输出数据综合,应用神经网络的非线性拟合能力护展相关信息,信息融合诊断策略根据这些信息确定出故障传感器,同时对故障信号进行恢复。仿真实验表明该结构形式对于传感器的三种常见故障均能进行识别和恢复,效果令人满意。     

一种基于径向基神经网络的车牌字符识别方法

径向基函数神经网络具有局部逼近的能力和局部可调的特性,以车牌字符识别为例,构造了一种实用型的径向基神经网络,并与传统的BP神经网络作了对比.实验结果表明,在车牌字符识别中,径向基网络的识别能力、分类能力及识别速度等均优于BP网络.     

一种基于多代理的网络蠕虫预警方法

网络蠕虫由于传播迅速,破坏力强已经成为计算机网络安全研究的热点.首先分析了网络蠕虫传播的特征,然后根据其特征提出了基于多代理的网络蠕虫预警方法.通过在网络中设置多个代理搜集信息,然后所有信息由中心节点的径向基函数神经网络分析,得到网络蠕虫是否爆发的预警消息.还在SSFNet模拟环境下对多种蠕虫进行了测试,证明该方法取得了较好的效果.     

一种新的入侵检测方法研究

该文采用粗糙集的属性约简,去除冗余属性,减少数据样本维数;再通过改进LS-SVM训练数据样本,建立入侵检测分类器,以达到高效实用的检测目的,通过实验结果表明,结合粗糙集和改进LS-SVM的入侵检测方法获得了较高的检测精度和检测效率,是一种具有应用前景的检测技术。     

基于粗糙集和IRBF的配电网故障诊断系统

为了改进人工智能方法在配电网故障诊断系统中的应用,给出了基于粗糙集理论的IRBF神经网络的模型结构,然后利用训练好的神经网络对配电网进行故障诊断;采用VC++语言开发工具,调用Matlab神经网络工具箱建立了一个简化的故障诊断系统,并通过配电网实例验证了方法的正确性;实践证明不但提高了配电网故障诊断的容错性,使故障诊断变得更加准确有效,而且减少了神经网络样本数据,大大地减少了故障诊断过程的时间。     

基于HMM与RBF的混合语音识别新方法

提出了一种隐马尔可夫模型（ＨＭＭ）和径向基函数神经网络（ＲＢＦ）相结合的语音识别新方法。该方法首先利用ＨＭＭ生成最佳语音状态序列,然后用函数逼近技术产生对最佳状态序列进行时间规正,最后通过ＲＢＦ神经网络进行分类识别。理论和实验结果表明,该系统比ＨＭＭ具有更好的识别效果,特别对提高易混淆词的识别性能尤为显著。     

基于粗糙集神经网络的网络故障诊断新方法

摘要针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷,综合运用神经网络方法和粗糙集理论,提出了RSNN算法,实现不一致情况下的规则获取和学习样本的净化处理．该算法具有简化样本、适应性强、容错性高和不易陷入局部最小点等特点,能有效处理网络故障诊断中噪声或不相容的信息．实验表明,利用该方法实现的系统与同类的其他方法相比,提高了诊断准确率和诊断速度．     

基于周期序列宽度图的步态识别方法

为了快速地提取步态,提出了一种基于周期序列宽度图的步态识别方法。该方法先按周期将侧影轮廓序列转换为宽度向量序列,然后再将宽度向量序列转换为用灰度值表示的周期序列宽度图。周期序列宽度图中的灰度值及其变化能清晰地反映步态运动,是一种以图的形式直观准确表征步态时空变化的方法。这种周期序列宽度图不仅保留了单帧图像中侧影的外观结构信息,而且很好地体现了步态随时间的变化。另外,还运用DCT对提取的步态特征进行降维,并采用RBF神经网络进行步态分类。在常用步态数据库上的测试结果表明,该方法简单而有效。     

基于新型RBF网络的雷达信号分选识别方法

提出了一种基于径向基函数 (RBF)网络的雷达信号分选识别方法 .这种RBF网络分选系统采用改进免疫算法设计RBF网络的隐层参数 ,可以达到较高的优化效率 ,使系统结构趋于全局最优 .在复杂雷达信号环境下的仿真实验表明 ,这种基于RBF网络的雷达分选识别系统能够有效利用输入信号资源 ,达到了较高的分选精度.     

一种基于粗糙集的模糊数学形态学方法

粗糙集理论是一种新的处理含糊和不确定性问题的教学工具。本文基于粗糙集和数学形态学算子之间的联系和粗糙集中模糊度的概念，将结构元素作为不可分辨关系，提出了一种新的基于粗糙集的模糊数学形态学方法。该方法无需任何经验知识，直接从图像数据中获得所需隶属函数。最后，将其用于图象的滤波，获得了很好的实验结果。     

A rough set approach to outlier detection

Abstract

Model G, the earliest reaction-diffusion system proposed to support the existence of solitons is shown to do so under distant steady-state boundary conditions. Subatomic particle physics phenomenology, including multi-particle bonding, movement in concentration gradients, and a particle structure matching Kelly’s charge distribution model of the nucleon, are observed. Lastly, it is shown how a three-variable reversible Brusselator, a close relative of Model G, can also support solitons.     

属性约简中核的计算方法

属性约简是粗糙集理论研究的主要内容之一,该文首次采用了分治策略,提出了一个新的属性约简方法,将在计算整个全域上的属性约简问题转化为计算在相应划分的子区域上属性约简问题。将原有计算核的算法复杂度为O(｜A｜｜U｜2)犤1犦,降为O(｜A｜(｜Y1｜2+｜Y2｜2+……+｜Yn｜2)),对于一般比较大的｜U｜而言,提高效率非常明显,提高了属性约简的可计算性。     

基于粗糙集支持向量机的网络故障诊断系统

该文针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷,综合运用支持向量机方法和粗糙集理论,提出了RSVM方法,实现不一致情况下的规则获取和学习样本的净化处理。该算法具有简化样本、适应性强、容错性高等特点,能有效处理网络故障诊断中噪声或不相容的信息。由于该方法选择了比SMO更大的工作集而没有增加过多的计算,总的优化步骤减少,收敛速度也更快,平均训练速度约为SMO的两倍。实验表明,利用该方法实现的系统与同类的其他方法相比,提高了诊断准确率和诊断速度。     

基于AGA-RS的故障特征参数提取方法研究

在故障诊断中,将高维特征空间压缩到低维特征空间可以简化故障分类器设计,提高运算效率。研究了自适应遗传算法（AGA）和粗糙集（RS）理论在特征选择和特征约简中的应用,并针对柴油机燃油喷射系统故障提取了简化特征,建立了神经网络模型。试验结果表明,基于AGA-RS的故障特征参数提取方法可使故障分类器输入参数同时具有有效性和简约性,提高了神经网络的运算效率。