一种粗逻辑神经网络研究

该文基于粗逻辑理论,研究了粗逻辑意义下的粗集神经网络的设计,分析和比较了粗逻辑神经网络和模糊逻辑神经网络的性质。在重庆地区Landsat TM 遥感图像的地物分类实验中,验证了粗逻辑神经网络的有效性,同时可以发现其在网络结构和收敛性方面的优势。     

舰船目标识别的神经网络方法

本文综述了神经网络用于雷达舰船目标识别目前所作的研究。对三种完全不同的神经网络结构(反向传播前馈网络、Kohonen监视学习矢量量化网络及Simpson模糊极小-极大神经网络)进行了研究和比较。三种网络情况下都将改进过的傅里叶离散Mellin变换形式的预处理用作特征矢量的提取方法,特征矢量不受雷达扫描角影响。并根据模拟和实际数据进行了分类试验,结果表明分类精度达到93％。     

Web网络中的离群数据挖掘技术研究与改进

离散数据在Web网络中分布较广,是造成数据挖掘有用信息容量低的主要原因。霍金斯离散数据挖掘方法自提出以来获得了很高的成就,但仍存在挖掘数据分类性能不高的缺点,在此,使用BP神经网络对其进行改进。霍金斯离散数据挖掘方法分离散数据扫描和离散信息挖掘两个步骤进行,所提改进方法通过优化原方法中离散数据的排序规律,挖掘最优BP神经网络连接节点权值集群,改进离散数据集群的正确分区能力,降低离散信息挖掘过程的时空复杂度,提高原方法的分类精度和分类效率。实验结果表明,所提改进方法在Web网络离散数据中能获取高度可靠的挖掘结果。     

粗糙近似算子在模式的可能性和必然性分类中的应用

研究粗糙近似算子关于模式"二分法"的相关性质,描述了利用给定模式把模式空间划分成两组的模式分类的可能性和必然性,并设计了有边界区域的模式分类的可能性和必然性的粗糙神经网络算法.最后,用仿真实验验证了算法的有效性.     

舰船目标识别的神经网络方法

本文综述了神经网络用于雷达舰船目标识别目前所作的研究。对三种完全不同的神经网络结构进行研究和比较。三种网络情况下都将改进过的傅里叶离散Ｍｅｌｌｉｎ变换形式的预处理用作特征矢量的提取方法，特征矢量不受雷达扫描角影响。并根据模拟和实际数据进行了娄类试验。结果表明分类精度达到９３％。     

基于VGG的人脸表情识别与分类

为了使人脸表情识别更加快速、准确,以满足复杂社会情境中的需求,本文研究了基于深度卷积神经网络的人脸表情识别方法,实现了人脸不同离散表情识别分类.针对现有数据集数据量不足、深度网络计算易出现过拟合现象等问题,本文基于人脸图片关键点进行了剪裁,获得64个子区域,将数据扩充为64倍,以达到数据增强的目的;使用基于VGG-19网络模型的卷积神经网络,对动作单元进行分类与强度计算,使用Sigmoid函数,使网络具备多标签多分类能力,并在VGG-19网络的第四组卷积层之后加入一个加权处理层,提高准确率.结果显示,增强后叠加的人脸表情识别与分类基本能够完成,而引入加权处理层后的准确率则得到了显著提高.     

基于逻辑校准的多分类残差网络的肺分割算法

针对图像噪声以及血管、支气管等因素引起的肺分割困难的问题,提出了一种基于逻辑校准的多分类残差网络分割算法.该算法将图像区域划分为肺、背景及边界三类,通过扩大不同类型间的差异来提升分割准确率.算法先将图像分割为固定尺寸区域,然后利用残差网络提取纹理特征进行分类训练与测试,实现粗分割.最后对边界区域阈值处理实现细分割.利用公开数据集对该算法进行了测试,实验结果表明,此分割算法在召回率、精确率以及交并比等方面均优于当下前沿的分割网络之一的U-Net,分别达到99.79％,98.13％和97.83％,可为后续的肺部疾病临床诊断提供参考依据.     

一种面向大型结构件的激光雷达测量规划方法

使用激光雷达对大型结构件实施测量时往往需要通过布设多个测量站位构建大尺寸测量网络,其中激光雷达的站位及其数目是影响测量结果的关键因素.针对飞机大部件外形测量需求,设计了一种面向大型结构件的激光雷达测量规划方法.以测量精度为约束,以测量站位数目和测量区域划分结果为评价目标,对待测数模进行特征离散并提取离散点法矢信息,利用基于区域生长算法的测量站位规划方法获取初始站位及数量,引入测量不确定度,优化测量站位和测量区域的划分结果.实验表明,相较于基于经验的人工测量规划,该方法更易得到大范围、少数量的测量区域划分结果以及合理的激光雷达测量站位,具有良好的可行性和有效性.     

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。      

正则化在逻辑回归与神经网络中的应用研究

在机器学习算法的应用中,当使用小规模、多特征数的训练样本时,模型容易出现过拟合现象。正则化方法可以在一定程度上抑制模型过拟合,提高模型的泛化能力。以手写数字识别为例,分别研究了正则化方法在逻辑回归和BP神经网络中的应用,并比较了两种算法的实际结果。从MNIST手写体数据库中随机选取了5000个样本,经过PCA(Principal Component Analysis)降维后,从中选取不同规模样本并分别将其随机划分为60%的训练集,20%的交叉验证集和20%的测试集。分别构建两种算法对样本进行训练和测试,通过学习曲线选取合适的正则化参数,并比较了在合适正则化参数与未加入正则化参数下,模型与对测试集的预测精度。实验结果表明BP神经网络对手写数字的识别效果优于逻辑回归;同时当使用样本集较小时,正则化方法可以有效地抑制模型过拟合的发生,提高模型预测精度;随着样本集规模的增大,抑制效果减弱。     

信用风险预警的MA—RSFNN模型构建与应用

为了克服模糊神经网络的维数灾难、结构复杂、局部早熟及收敛慢等缺陷,在设计一种模糊神经网络的基础上,将模因算法和粗糙集理论引入模糊神经网络,提出一种模因进化型粗糙模糊神经网络（MA—RSFNN）。新模型借助模因算法的全局搜索能力减少网络陷入局部极值的可能性,同时利用粗糙集知识约简对网络输人数据进行降维消冗,精简输人维度,避免“维数灾难”。实例仿真结果表明MA—RSFNN模型的预测准确性较高,是一类解决金融风险管理中高维复杂问题的有效方法。     

基于变精度粗糙集的粗集神经网络

本文研究了基于变精度粗糙集模型下的粗集神经网络设计,对近似约简条件进行了弱化推广,同时提出了近似约简的选取原则。在对Brodatz纹理图像的分类实验中,比较了经典粗集神经网络RNN和变精度粗集神经网络VPRNN的性能,VPRNN不仅具有更为精简的结构和更短的训练时间,而且具有更强的近似决策和泛化能力。     

智能Petri网研究进展

阐述了Petri网与模糊逻辑、遗传算法、蚁群算法、粗糙集、神经网络等计算智能技术相互结合的方式以及主要适用范围,分析总结了其研究现状、结合方法的特点与应用背景,最后对Petri网与计算智能方法结合的发展趋势进行了总结和展望。     

粗糙集神经网络在电机故障诊断中的应用

随着社会的进步,科学的发展,电力工程在日常生活中的重要性也日趋明显。在电力系统中,电机的稳定与否关乎到整个系统稳定。电机设备诊断中针对感应电机故障复杂、提取方法不足等问题,运用粗糙神经网络对变压器的故障进行诊断,通过分析电机单相瞬时功率,滤波后进行小波包分解,从得出故障特征变化率,并用以表征故障特征,以此作为电机故障的依据,运用粗糙集理论进行约简,将约简结果作为特征向量输入到RBF网络中。结果表明该方法诊断灵敏度高,可用于电机的故障诊断。     

正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。     

一种创新性激光图像三维目标识别算法

针对径向基神经网络在激光图像分类识别中识别率低及训练时间长的问题,提出粗糙集与神经网络相结合的方法,将粗糙集算法简约后的样本特征作为神经网络的前置输入。首先建立不同视点的激光主动成像三维仿真图像,然后提取17个目标特征,并采用粗糙集算法选择分类的属性,从17个特征中筛选出5个影响决策的特征属性,最后选用4层径向基神经网络作为基本的网络结构,并采用在各层节点上与粗糙集相结合方法识别目标。仿真结果表明,结合粗糙集的集成神经网络方法识别正确率保持在80%以上,与未结合粗糙集的神经网络相当,但训练与识别时间缩短10倍以上。     

基于BP神经网络的成本预测

分析了人工神经网络解决成本预测的可能性。介绍了BP神经网络用于非线性预测的基本原理和算法步骤。采用matlab试验方法,对某企业总产量与总成本进行仿真,对比了回归分析法和BP神经网络的预测结果。实验结果表明,BP神经网络预测算法具有较高的预测精度。     

An Enhanced Scene-Based NUC Method for PMMW Focal Plane Array Imaging

In this paper, an enhanced scene-based NUC (Non-Uniformity Correction) method that consists of rough correction and accurate correction is proposed for PMMW-FPA (Passive Millimeter-Wave Focal-Plane Array) imaging. In this method, electromagnetic radiation uniformity of a scene is a critical component needed for rough correction, and a neural network method is utilized to make accurate correction. The proposed method prevails over the neural network method in NUC performance and convergence speed as well as detail information keeping. Experimental results completed with simulated data as well as measured data demonstrate the effectiveness of the proposed method.     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.