小波神经网络的遥感图象分类

将小波和神经网络结合起来,提出一种自适应小波函数的神经网络。这种小波函数网络经过训练后,可应用于遥感图象的分类,其分类效果优于最大似然法。     

用于高光谱遥感图象分类的一种高阶神经网络算法

ＢＰ神经网络近年来广泛地应用于图象分类,但是它也有多层感知器神经网络的通病,即隐含层及其节点数问题,局部最小问题、训练速度问题等,为了从根本上解决这些问题,该文提出了一种高阶神经网络分类算法,这种高阶神经网络没有隐含层,从而也就没了隐含层及其节点数的问题;它的模式划分界面是 一性的,从根本上解决了局部最小问题;同时它的训练速度更快,分类精度更高,该文详细介绍了这种高阶神经网络的构造、学习方法、工分     

FasART模糊神经网络用于遥感图象监督分类的研究

说明了遥感图象数据的非线性性质,目视的图象分类实践是一个模糊推理的过程,模糊神经网络遥感图象分类符合其事物的内在规律,具有理论优势,分析了模糊ART,模糊ARTMAP和FasART模型的结构和原理,详细地阐述了FasART是一种基于模糊逻辑系统的神经网络,提出了一种简化的FasART模型,改变了一般遥感数据的模糊化方法,采用中巴资源一号卫星数据进行测试实验,结果表明,该简化的FasART模型能用于遥感图象的监督分类,其分类精度高于模糊ARTMAP神经网络和K均值算法,且性能稳定,有较好的抗干扰能力,尤其具有良好的处理两组相似程度比较接近的,和同组数据模式变化较大的非线性数据的能力。     

自联想神经网络的遥感图象主分量提取

提出了一种自联想神经网络的遥感图象主分量提取方法,这种方法可能应用于图象的压缩、特征提取和图象滤波中,实验结果表明：自联想神经网络算法简单、易于实现,其压缩效果与Ｋ－Ｌ变换相当。     

遥感图象分类的统计融合方法及性能分析

基于数据层的统计数据融合方法,以提高遥感图象的分类性能为目的,实现了一种新的可调参数的图象分类方法。用这种方法对ＴＭ图象和ＳＡＲ图象进行了一系列的实验,并对实验的结果进行了分析,从而得出关于数据层统计信息融合方法的有益的结论。     

基于神经网络的遥感图像分类

针对传统的遥感图像分类方法分类精度低的缺点,提出了一种基于神经网络的分类方法。实验结果表明,这种基于神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

多类别遥感图像的复合分类方法

多类别识别对于遥感图像分类的实用化具有重大意义。本文提出一种由多层神经网络与无监督分类相结合的复合分类方法。第一步用多层网络对几个大类进行有监督分类，第二步将网络输出作为无监督分类的输入，对遥感图像进行细分，使得可识别的类别数从原来的１０类提高到３０类。对ＳＰＯＴ遥感图像识别的结果表明，该算法能适应多类别识别任务的要求。     

一种多光谱遥感图象的自适应最小距离分类方法

该文提出了一种适用于多光谱遥感图象分类的自适应最小距离算法,这一算法通过对样本集合的自适应精细划分来调整最小距离分类器的参数,对ＴＭ遥感图象分类的实验结果表明,该方法对１６类数据进行有监督分类,精度可达９２．９％,适用于多类别遥感图象分类。     

采用神经网络和统计算法相结合的方式检测远程传感图象分类

检测远程传感图像分类的各种实验算法比较已在文献中作过报道,其中,神经网络与统计分类器的比较由作者Ｓｅｒｐｉｃｏ,Ｓ．Ｂ．,Ｂｒｕｚｚｏｎｅ,Ｌ．,Ｒｏｌｉ．Ｆ．发表在《Ｐａｔｔｅｒｎ Ｒｅｃｏｇ－ｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ》上,实验结果清楚地显示,这种算法的优越性优于其他算法。另外,文章中还指出,统计算法与神经需要花费时间进行设计,以取得分类的高正确率,本文提出采用神经网络和统计算法相结合的方式     

RBF网络分类器的实现及应用

径向基函数神经网络通过中间层神经元的非线性传递,能够实现任意的从输入空间到输出空间的映射,因此大都用于目标分类。本文利用快速聚类和统计的方法确定网络的中间层及中间层到输出层间的权值,并把构造的分类器用于遥感图象目标分类识别实验,取得了比较好的结果。     

A review of genetic algorithms applied to training radial basis function networks

The problems associated with training feedforward artificial neural networks (ANNs) such as the multilayer perceptron (MLP) network and radial basis function (RBF) network have been well documented. The solutions to these problems have inspired a considerable amount of research, one particular area being the application of evolutionary search algorithms such as the genetic algorithm (GA). To date, the vast majority of GA solutions have been aimed at the MLP network. This paper begins with a brief overview of feedforward ANNs and GAs followed by a review of the current state of research in applying evolutionary techniques to training RBF networks.     

基于径向基函数(RBF)映射理论的遥感影像分类模型研究

与传统统计方法的分类器相比较,人工神经网络（ＡＮＮ）方法应用于遥感影像分类,不需预先假设样本空间的参数化统计分布,具有复杂的映射能力。大多数ＡＮＮ分类器采用误差反向传播（ＢＰ）学习算法的多层感知器模型（ＢＰＮＮ）,其主要缺陷是学习速度缓慢、容易陷入局部极小而导致难以收敛等。基于径向基函数（ＲＢＦ）映射理论的神经网络模型融合了参数化统计分布模型和非参经线性感知器映射模型的优点,在实现快速学习的同时,     

RBF神经网络在物流系统中的应用

物流已经成为我们国民经济的动脉,但是影响其成本的因素过多且复杂,对其成本的研究目前较多的是采用简单的猜测式赋值,这样的方法具有较大的主观性,因此物流成本预测这个复杂的非线性问题已经成了物流界研究的重点问题。将社会物流系统看出了一个投入产出系统,将其物流成本——运输费用、保管费用和管理费用当作了投入,而社会的消费总额看成了产出,因此导出物流消费品总额和成本之间的映射关系模型;其次,提出用改进的自适应遗传算法对径向基函数神经网络进行了优化,得到了最佳的基函数中心和宽度值;最好用优化后的径向基函数神经网络应用于物流成本的预测,结果表明,模型具有好的稳定性和较高的精度,对扩大消费、拉动内需具有一定的参考意义。     

Optimizing radial basis function neural network based on rough sets and affinity propagation clustering algorithm

A novel method based on rough sets (RS) and the affinity propagation (AP) clustering algorithm is developed to optimize a radial basis function neural network (RBFNN). First, attribute reduction (AR) based on RS theory, as a preprocessor of RBFNN, is presented to eliminate noise and redundant attributes of datasets while determining the number of neurons in the input layer of RBFNN. Second, an AP clustering algorithm is proposed to search for the centers and their widths without a priori knowledge about the number of clusters. These parameters are transferred to the RBF units of RBFNN as the centers and widths of the RBF function. Then the weights connecting the hidden layer and output layer are evaluated and adjusted using the least square method (LSM) according to the output of the RBF units and desired output. Experimental results show that the proposed method has a more powerful generalization capability than conventional methods for an RBFNN.     

基于全调节RBF神经网络的自适应飞行控制器

设计了一种基于径向基函数神经网络(RBF NN)的飞行控制器结构,运用李雅普诺夫综合法导出稳定的RBF NN参数调节律,以保证整个系统的稳定性.由于能在线地调节RBF NN的全部参数(连接权、高斯函数的中心和宽度),避免了因人为地估计中心和宽度参数而带来的性能损失,因而提高了控制性能.以F8战斗机为控制对象进行了仿真分析,仿真表明,在存在70%的模型误差的情况下,该控制器仍然能实现较好的跟踪控制,表现出很好的鲁棒性,远远优于传统的只调节连接权值的算法.     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

新品上市的CBR动态预测

针对新品上市数据匮乏、不确定性高所带来的预测难点,提出了关于案例推理和改进粒子群神经网络的动态预测方法.首先考虑产品属性及销售序列特征,提出两阶段综合聚类算法划分案例集合;其次采用核心案例的相似性搜索机制确定RBF神经网络模型的训练集,并通过动态聚类和改进的粒子群算法进行网络训练及参数优化;最后采用相异距离的聚类方法保留预测结果,实现模型的动态扩展.企业实例及公共数据集的仿真结果表明,CBR-IPRBF动态预测方法能够适用于任何类型新品上市的销量预测,且对于数据量不足等非理想状况具有较优的性能.模型预测精度高,算法扩展性强,具有广泛适用性,能够为企业提供实际、有效的决策支持.     

Development and performance evaluation of neural network classifiers for Indian internet shoppers

The rapid growth of usage of internet has paved the way towards the use of online shopping. Consumers’ behavior is one of the significant aspects that is considered by the service providers for the improvement of various services. Consumers are generally satisfied if their needs are fulfilled. In this paper an in depth investigation is made on the behavior of Indian consumers towards online shopping. Factor analysis is carried out to extract significant factors that affect online shopping of Indian consumers and these consumers are clustered based on their behavior, towards online shopping using hierarchical clustering. Employing the results of clustering in training of multilayer perceptron (MLP), functional link artificial neural network (FLANN) and radial basis function (RBF) networks efficient classifier models are developed. The performance of these classifiers are evaluated and compared with those obtained by conventional statistical based discriminant analysis. The simulation study demonstrates that the RBF network provides best classification performance of internet shoppers compared to those given by the FLANN, MLP and discriminant analysis based methods. The simulation study on the impact of different combination of inputs demonstrates that demographic input has least effect on classification performance. On the other hand the combination of psychological and cultural inputs play the most significant role in classification followed by psychological and then cultural inputs alone.