面向概念漂移和类不平衡数据流的在线分类算法

数据流是大数据的重要形式,数据流分类是数据挖掘的重要任务之一,该任务在现实生活中有着巨大的应用前景,因此得到了研究者们的广泛关注.概念漂移和类不平衡是影响数据流分类性能的两个核心问题,但目前大多数算法都只考虑处理两者之一,并且大多数算法过于理想,只能在人工设置的数据流上才能发挥较好的性能,无法适用于复杂的真实数据流.针...     

基于BP神经网络的嘴型分类算法

针对传统嘴型分类中医生肉眼观察主观性大且无法量化等问题,文中提出一种嘴型分类算法。该算法在人脸特征点标定ASM的基础上,提取嘴型模板,经过一系列旋转、二值化以及重采样构建特征向量,然后利用BP神经网络进行训练完成嘴型分类。实验结果表明,该算法可以实现较为准确的嘴型分类,对临床医疗整形具有一定的参考价值。     

一种改进的BP神经网络算法

针对传统BP神经网络存在学习率设置不当与深度神经网络过拟合导致准确率不高的问题,提出改进的BP神经网络算法。该算法引入了drop-out机制来防止神经网络过拟合,并针对学习率设置不当的问题,将用指数衰减学习率代替传统BP神经网络中固定学习率。实验结果表明,改进后的BP神经网络相较于传统BP神经网络有效地提高了3.06%的测试准确率。     

基于BP神经网络的指纹模板分类器分类算法

指纹识别是计算机模式识别领域中一个比较活跃的课题。有着十分广泛的应用前景。对于庞大的指纹信息，人们越来越关心的是如何对其分类与储存。文章提出了一种基于BP神经网络的指纹模板分类算法，在简介指纹图像的预处理和模板建立过程的基础上，着重阐述基于黄金分割法的自适应变步长算法，仿真表明它比传统的固定步长算法有更好的收敛速度和精度。     

一种基于BP神经网络群的自适应分类方法及其应用

本文针对基于BP神经网络的分类系统,提出了神经网络群的概念,在此基础上给出了一种系统自适应增长算法,使得在新的目标类型加入时系统结构能够自适应调整.验证结果表明,该算法可以在增加新的目标类型时简化系统结构的调整过程,缩短重新训练网络所需要的时间,从而有效地提高网络的训练效率.     

基于BP神经网络的数字图像分类系统研究

BP神经网络作为一种经典的人工神经网络模型,在数字图像分类中具有广泛的应用潜力。其具备较强的学习能力和适应性,能够通过训练样本学习到图像的显著特征和类别之间的关系。然而,BP神经网络在实际应用中仍存在一些问题,如训练时间长、易陷入局部最优等。因此,旨在研究基于BP神经网络开展数字图像分类系统,探索如何利用BP神经网络实现数字图像的自动分类和识别。通过改进和优化网络结构、训练策略和特征选择方法,以提高系统的分类性能和鲁棒性。     

一种基于差分进化的BP神经网络学习算法

提出了一种基于改进差分进化算法和BP神经网络的计算机网络流量预测方法。利用差分进化算法的全局寻优能力,快速地得到BP神经网络的权值和阈值;然后利用BP神经网络的非线性拟合能力获得高精度的网络流量预测结果。实验结果表明,此方法能在较短的时间内获得较高精度的预测结果,具有较好的应用价值。     

一种基于粗糙集增量式规则学习的问题分类方法研究

该文提出一种基于粗糙集增量式规则自动学习来实现问题分类的方法,通过深入提取问句特征并采用决策表形式构建训练语料,利用机器学习的方法自动获取分类规则。与其他方法相比优势在于,用于分类的规则自动生成,并采用粗糙集理论的简约方法获得优化的最小规则集;首次在问题分类中引入增量式学习理念,不但提高了分类精度,而且避免了繁琐的重新训练过程,大大提高了学习速度,并且提高了分类的可扩展性和适应性。对比实验表明,该方法分类精度高,适应性好。在国际TREC2005Q/A实际评测中表现良好。     

基于BP神经网络的社团分类研究

社团分类对研究复杂网络及其特性具有重要意义,为此提出将神经网络的分类特性应用于社团分类中,以BP神经网络为模型,以Zachary研究的俱乐部成员关系网络为测试数据,利用社团节点与神经网络节点之间关系的相似性模拟社团分类结果,根据成员关系图建立邻接矩阵,利用邻接矩阵关系进行实验设计建立BP神经网络,通过已知样本学习和检验样本检验,实现成员关系网络的分类模拟,数值实验结果表明文章运用的仿真方法是可行有效的.     

一种不平衡数据流集成分类模型

 针对不平衡数据流的分类问题,结合基于权重的集成分类器与抽样技术,本文提出了一种处理不平衡数据流集成分类器模型.理论分析与实验验证表明,该集成分类器具有更低的计算复杂度,更能适应存在概念漂移的不平衡数据流挖掘分类,其整体分类性能优于基于权重的集成分类器模型,能明显提升少数类的分类精度.     

基于信息熵差异性度量的数据流增量集成分类算法

对分类器之间的差异性进行了研究,提出了一种基于信息熵差异性度量的增量集成分类算法,将信息熵差异性度量方法融入到基分类器选择过程中,通过对训练数据集的基分类结果的信息熵差异度计算,采用循环迭代优化的选择方法,以熵差异性最优化为约束目标,动态调整基分类器个数,实现了分类准确稳定,减少了系统开销。通过实验比对,证明了算法在数据流处理时比其他算法具有更小的开销和较强的适应性。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

基于BP神经网络的雷达点迹分类方法

提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87. 3%,较后两种方法精度分别提升19. 6%和7. 6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。     

分布式数据流的渐增式聚集维护算法

分布式处理是数据流管理中的主流技术，SWAT算法可以有效地减少聚集操作时通信量．提高分布式系统信道的使用率。文章在SWAT算法的基础上，改变不同结点的更新周期，平衡了算法的计算速度和精确度．并且使用国际通用数据集，在斯坦福大学开发的STREAM系统上进行了测试。对于分布式系统．在数据流数据速率变化比较快的情况下，用时少、误差小。     

Circle BP Algorithm for MLP Neural Network

A simple new BP algorithm named circle BP algorithm is introduced.With this algorithm,local minimums can be completely got rid of and learning speed can improve dramatically.It can be easily designed into the circuitry and advance further the application of MLP neural network.     

基于BP神经网络的自适应伪最近邻分类

在伪最近邻(PNN)分类算法中,待分类样本点与每一类样本集中各个近邻的距离加权系数都是主观确定的,这就使得算法得不到最优距离加权值。针对这一问题,该文提出一种基于BP神经网络的自适应伪最近邻分类算法。首先通过计算待分类样本点与每一类样本集中各个近邻的距离值,并将其作为BP神经网络的输入。然后根据BP神经网络输入与输出之间的映射来自适应确定相应的距离加权值。最后由BP神经网络的输出值判别样本类别号。实验结果表明,该算法能够自适应地调节距离加权系数,同时还能有效地改善分类准确率。     

基于BP神经网络的路面性能预测方法

文章提出了一种改进的BP算法以优化神经网络连接权，并把它应用于路面性能预测系统中，对路面性能进行预测。实验证明该网络具有广泛的映射能力和快速全局收敛性，具有良好的应用前景。