模糊神经元及其在FCMAC中的应用

本文通过对模糊集合与神经网络的特点及相互关系的阐述，引出将二者优点结合于一身的模糊神经网络理论。从模糊神经元开始，着重介绍其拓扑结构、分类、隶属函数的特点及相应激励函数的确定方法。最后以模糊小脑神经网络(FCMAC)为算例，阐述了模糊神经元的应用问题。仿真结果表明：它具有比常规CMAC学习速度快，结果精确等优势。     

快速神经网络分类学习算法的研究及其应用

提出了一种快速神经网络分类学习算法FTART2,该算法结合了自适应谐振理论和域理论的优点,学习速度快、归纳能力强、效率高,用UCI机器学习数据库中的两个数据集对FTART2与目前最流行的BP进行比较测试,实验结果表明前者的分类精度与学习速度均优于后者,还将FTART2算法应用于石油地质储层分析领域,取得了很好的效果。     

多级PSO神经网络在手写体字符识别中的应用

提出一种用于手写体字符识别的三级神经网络模型，各子神经网络均用粒子群优化算法(PSO)训练。在该模型中，各个神经网络与不同的图像特征提取方法相结合；识别时，三个神经网络先串联再并联。该模型充分有效地利用了各种特征信息，从实验结果看，也达到了较好的辨识目的。文中主要讨论手写字符图像的特征提取、粒子群优化算法及其在网络训练上的应用，最后分析了识别结果并与采用改进BP训练算法的综合识别效果进行了比较。     

SOM神经网络在树叶形状分类中的应用

使用目前较常用的自组织映射神经网络 (SOM神经网络 ) ,以几类比较多树叶图片的样本为基础 ,提取树叶形状特征值作为神经网络的输入 ,选适当的输出结点 ,应用自组织特征映射网络对各样本进行竞争学习 ,自动形成不同的输出值对应于该类别 ,从而得到分类结果 ,分类正确率达 86 .6 7%。     

多级PSO神经网络在手写体字符识别中的应用

提出一种用于手写体字符识别的三级神经网络模型,各子神经网络均用粒子群优化算法(PSO)训练.在该模型中,各个神经网络与不同的图像特征提取方法相结合;识别时,三个神经网络先串联再并联.该模型充分有效地利用了各种特征信息,从实验结果看,也达到了较好的辨识目的.文中主要讨论手写字符图像的特征提取、粒子群优化算法及其在网络训练上的应用,最后分析了识别结果并与采用改进BP训练算法的综合识别效果进行了比较.     

基于多级模糊神经网络的故障诊断在化工生产过程中的应用

化工生产过程一般都非常复杂，如柠檬酸蒸发。由于控制回路与测控参数很多，生产过程的故障检测与诊断问题非常困难，难以做到实时检查，得到其故障信息。所以本文提出一种基于神经网络的多级故障诊断系统。采用三级递阶模糊神经网络，降解整个系统故障诊断问题的复杂性，同时采用所有子神经网络全局并行的推理方式，具有快速处理能力，适合系统实时在线故障诊断。     

BP神经网络及其在数据分类中的应用

BP神经网络模型是一种典型的前向型神经网络,具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力,是目前应用最为广泛的一种神经网络模型。本文介绍了BP神经网络的实现以及其在数据挖掘分类方面的应用。     

一种模糊神经网络在故障分类中的应用研究

针对故障分类中的非线性映射问题,提出了一种基于模糊逻辑作为激活函数的人工神经网络。该网络容易由硬件实现,同时增加基于IF-THEN规则的神经网络的解释性,提高了模糊神经网络作为分类器进行实时识别和分类的可行性。将所提出模糊神经网络分类器用于高压输电线路故障分类,仿真实验结果表明,该分类器对故障类型有较强的识别能力,适合于在线故障识别系统。     

基于模糊角分类的神经网络用户兴趣模型分类算法

用户兴趣描述文件的快速分类是个性化搜索引擎的关键技术,提出了一种模糊角分类神经网络模型,该模型能接受用户兴趣描述文件的实向量输入,克服了角分类神经网络（CC4）对二进制输入的要求。模糊角分类神经网络模型根据用户信息所落入的k最近邻的样本泛化空间来进行分类,随着k值的增大,其分类效果趋近于贝叶斯分类算法。     

多输出神经元模型的多层前向神经网络及其应用

研究了一种新的多输出神经元模型.首先,给出这类模型的一般形式,并将该模型应用于多层前向神经网络;其次,给出了其学习算法,即递推最小二乘算法,最后通过几个模拟实验表明,采用多输出神经元模型的多层前向神经网络,具有结构简单,泛化能力强,收敛速度快,收敛精度高等特点,其性能远远优于激活函数可调模型的多层前向神经网络.     

基于混沌神经网络的分类算法

提出了一种基于混沌神经网络的分类算法,利用改进的进化策略对多个三层前馈混沌神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,混沌神经网络分类模型输出最终分类结果.实验结果表明,该算法可以较好地进行数据分类,而且与传统的神经网络算法以及决策树算法相比,在分类精度和识别率方面均有一定的改善,体现出较好的稳定性.     

过程神经元网络在网页自动分类中的应用研究

针对信息挖掘中的网页自动分类问题,提出了一种基于向量空间模型和过程神经元网络的分类方法。网络由输入层、隐层和输出层组成。输入层完成分类样本的输入,隐层提取输入样本所隐含的模式特征,将分类结果在输出层表现出来。以因特网上旅游网页分类为例验证了该方法的有效性。     

前向多层神经网络的步长搜索调整研究

该文在深入分析BP神经网络的步长调整算法的基础上,提出了函数变步长搜索法。实践证明,这种算法既能保证在网络训练中,随着迭代次数的增加,误差改变速度减慢的态势,又能在每次迭代中,求出近似最优步长,从而有效提高网络的学习速度,收敛到全局最小点的概率也更大。     

基于神经网络集成的舌苔分类方法

提出一种基于神经网络集成的舌苔自动分类方法。该方法把经单独训练的具有一定差异度的单个BP神经网络加以集成，构成舌苔分类器。试验结果表明，该分类器比现有的舌苔分类方法识别率更高、分类更细、更符合中医舌诊要求。     

多分支BP网络模型及其在车型分类中的应用

通过分析一般的BP网络在解决多模式识别问题时的缺陷,本文根据分而治之和模块化的思想提出了多分支BP网络的模型。多分支BP网络可将N种模式的识别问题转换为N个并行的两种模式识别问题。文章还研究了多分支BP网络模型在车型分类中的应用,并利用G107上的实测数据进行仿真,仿真结果表明,与一般的BP网络相比,多分支BP网络具有更好的分类性能,且显著地减少了训练时间。     

小波神经网络方法在入侵特征分类技术中的应用研究

利用小波变换的时频局部化特性和神经网络的自学习能力,构建基于小波变换的神经网络,从而使该神经网络具有较强的逼近能力和容错能力。将小波神经网络应用于入侵特征分类技术当中,具有了较强的自适应、自学习能力,并通过对动量项因子和学习因子的调整对模型进行改进,解决传统的前馈神经网络易陷入局部极小点的问题,加快神经网络的收敛速度。     

一种深度小波过程神经网络及在时变信号分类中的应用

针对多通道非线性时变信号分类问题,提出一种基于稀疏自编码器的深度小波过程神经网络(SAE-DWPNN)。通过构建一种多输入/多输出的小波过程神经网络(WPNN),实现对时变信号的多尺度分解和对过程分布特征的初步提取;通过在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。SAE-DWPNN将现有过程神经网络扩展为深度结构,同时将深度SAE网络在信息处理机制上扩展到时间域,扩展了两类模型的信息处理能力。该网络可提取多通道时序信号的分布特征及其结构特征,并保持样本特征的多样性,提高了对信号时频特性和结构特征的分析能力。文中分析了SAE-DWPNN的性质,给出了综合训练算法。以基于12导联ECG信号的7种心血管疾病分类诊断为例,实验结果验证了模型和算法的有效性。     

一种新的神经网络结构及其学习算法

提出了一个基于模糊集理论的新的神经网络结构及其学习算法。这种神经网络是对标准的BP网络修改后构成的(记作FIBP)。并通过几个实例仿真验证其有效性。实验结果表明,当用FIBP网络解决动态的、高度非线性的函数逼近时,其学习速度比BP网络快,精度高而且泛化能力高。     

基于模糊RBF神经网络的换热器建模

针对换热器的复杂非线性特征,利用一种模糊RBF神经网络结构,对其网络学习算法进行部分改进,并用于解决换热器的建模问题。采用模糊RBF神经网络不仅符合人的思维推理方式,也提高了神经网络的学习泛化能力,在改进的学习算法中通过学习率的值的不断变化和添加动量项,可以使学习速度加快,提高了辨识换热器模型的准确性。通过与传统的学习算法的仿真比较,验证了所提出的改进学习算法在辨识精度和稳定性方面具有更好的效果。     

基于卷积神经网络的中文微博观点分类*

针对现有中文微博观点分类方法对上下文利用不足、数据表示稀疏和特征依赖于人工设计等问题,提出基于卷积神经网络的中文微博观点分类方法.首先利用交互上下文扩充不同主题下的微博内容,使用低维密集向量初始化微博文本.然后构造卷积神经网络模型,实现特征抽取和组合.最后基于softmax分类函数估计中文微博观点类别.实验表明,相比基准方法,文中方法在精确度和F1值上的效果更好.