用多个改进低维CMAC神经网络学习多维函数的研究

提出了一种多维非线性函数的多神经网络学习方法。即用变量代换的方法把一个多维非线性函数分解为若干低维函数。用多个改进的低维小脑模型神经网络分别映射这些低维函数。提高了收敛性。减少了存储空间。大大提高了学习精度。且易于实现。给出了大量学习非线性函数的仿真实验，其结果表明。采用这种方法的学习精度比用一个CMAC的学习精度提高l0倍以上。     

区间小波神经网络(ⅠⅠ)--性质与模拟

证明了区间小波神经网络具有一致及L2逼近性质,且为相容的函数估计子,其学习收敛速度在d维情形不随d增大而减慢,本质上克服了神经网络高维学习的"维数灾难"问题,模拟实例验证了理论的正确性.     

有限超平面集对E^d的划分问题及其应用

本文讨论Ｅ＾ｄ中有限超平面集对Ｅ＾ｄ的划分问题，证明了划分中各种维数连通部分个数的上确界，分析超平面集对Ｅ＾ｄ的划分问题在模式识别、人工神经网络、计算机视觉以及计算学习理论等领域中的应用。     

基于小波分析与神经网络的交通流短时预测方法

提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波分解降维，预测由多个子网络独立完成，有效解决了多维神经网络的映射学习容易产生“疆数灾”的问题．示例结果表明，该方法比典型的神经网络预测准确度高、误差小．     

区间小波神经网络(ⅠⅠ)——性质与模拟

证明了区间小波神经网络具有一致及L²逼近性质,且为相容的函数估计子,其学习收敛速度在d维情形不随d增大而减慢,本质上克服了神经网络高维学习的“维数灾难”问题,模拟实例验证了理论的正确性. 关 键 词　神经网络,小波,多尺度分析,收敛.     

一种面向模式分类的修正的ART1神经网络

本文提出了一种关于ｎ维布尔模式分类的，基于欧氏距离的判定规则，在ＡＲＴ１神经网络的基础上，设计了一种实现这一判定规则的神经网络（ＭＡＲＴ１）及其学习规则，并给出了计算机仿真结果。     

基于独立成分分析的分解向前SVM降维算法

提出一种基于大样本学习的分解向前支持向量机算法和一种新的基于独立成分分析的降维学习模型，其算法的复杂度比传统块算法和标准SVM低。利用不完备ICA思想，达到数据压缩而降维的目的。实验发现，由于降低了输入维数，简化了数据结构，从而减少了SVM识别的计算复杂度，当把向量维数从110维降低到5维时，平均识别率超过传统神经网络达到93%，因而从计算时间和识别效率二者的综合情况来考虑，ICA降维模型是一种理想的实际应用模型。     

基于一维卷积混合神经网络的文本情感分类

针对情感分类中传统二维卷积模型对特征语义信息的损耗以及时序特征表达能力匮乏的问题，提出了一种基于一维卷积神经网络（CNN）和循环神经网络（RNN）的混合模型。首先，使用一维卷积替换二维卷积以保留更丰富的局部语义特征；再由池化层降维后进入循环神经网络层，整合特征之间的时序关系；最后，经过softmax层实现情感分类。在多个标准英文数据集上的实验结果表明，所提模型在SST和MR数据集上的分类准确率与传统统计方法和端到端深度学习方法相比有1至3个百分点的提升，而对网络各组成部分的分析验证了一维卷积和循环神经网络的引入有助于提升分类准确率。     

运用自动回归模型与神经网络对已构成的图象进行分割

本文介绍了运用二维ＡＲ模型的结构描述，并把ＡＲ模型的系数作为参数，用以识别已构成的图象。这种识别处理过程通过神经网络来实现是较为理想的，因为神经网络具有并行处理 自适应学习的能力。本文论述的神经网络由三个子网络构成：输入子网络，分析子网络和分类子网络。     

基于粗糙集团的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数，从函数逼近的观点出发分析，得出对任一神经网络函数在粗糙集意义下，都可根据学习样本点维数找到两个关联的离散函数来逼近它，并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系，为今后进一步研究在粗糙集意义下神经网网络函数整体逼近理论及学习算法的描述奠定了基础。     

基于约束反赫布算法的自适应二维FIR滤波器实现

提出了一种用神经网络来实现自适应二维FIR滤波器的新方法,主要是运用约束反赫布学习算法,训练一个神经网络,实现了基于TLS准则的自适应二维FIR滤波器,计算机仿真结果表明该滤波器在收敛性能和精度上均优于基于LMS准则的自适应二维FIR滤波器。     

基于数据融合的自适应神经网络模糊控制系统设计

基于数据融合的思想，提出一种非线性系统的自适应神经网络模糊控制器的设计方法。该方法利用数据融合技术降低了模糊控制器的输入维数，简化了模糊控制器的设计。用自适应神经模糊推理系统的神经网络自学习功能完成模糊控制器的设计。仿真结果表明，自适应神经网络模糊控制系统性能优于采用普通的模糊控制器的情况，为数据融合与智能系统技术在非线性系统中的应用作了有益的探索.     

基于支持向量机的非线性系统辨识

支持向量机（SVM）是一种新的通用学习机器，它从结构风险最小化的角度，分析了学习过程的一致性，收敛速度等。SVM能以任意精度逼近一类函数，而与输入的维数无关，克服了传统神经网络用于系统辨识的维数灾问题及结构难以确定等,在于这一辨识的维数灾问题及结构难以确定等特点，基于这一特性研究了对非线性动态系统的辨识问题，仿真结果表明SVM用于系统辨识有良好的辨识效果，并指出了今后研究的方向。     

基于神经网络的机器人运动模型辨识及其实验研究

针对机器人楚模中不确定因素的影响，采用神经网络辨识机器人输入输出间的非线性关系，建立机器人的运动学模型，为了提高神经网络的辨识速度，基于Elman动态递归网络，通过增加网络输入输出的部分信息，提出一种新的动态神经网络结构——状态廷迟输入动态递归神经网络(SDIDRNN)，提高了网络的学习速度和稳态精度。以PowerCube^TM模块化机器人为研究对象，把根据机器人返回的关节位置信息和利用OPTOTRAK3020三维运动测量系统测得的机器人末端位置信患作为SDIDRNN的学习样本，对包含各种影响因素的机器人运动模型进行辨识，得到了满意的结果，说明了该神经网络的优越性。     

利用PCA进行深度学习图像特征提取后的降维研究

深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增,极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标,对深度学习中的各种数据降维方法进行分析.在此基础上,以Caltech 101图像数据集为实验对象,采用VGG-16深度卷积神经网络进行图像的特征提取,以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段,采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后,使用PCA法将数据维度降至64维,依然能够保持较高的特征信息.     

基于遗传算法优化投影寻踪技术的神经网络集成模型及其应用

首先利用遗传算法优化的投影寻踪技术对神经网络学习矩阵降维,再利用Bagging技术和不同的神经网络学习算法生成集成个体,并再次用遗传算法进化的投影寻踪技术对神经网络个体集成.建立基于遗传算法优化的投影寻踪技术神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.     

基于主成分机器学习算法的慢性肝病的智能预测新方法

运用新一代信息技术快速预测慢性肝病的机理和特征,是提高慢性肝病诊断率的有效途径。运用主成分分析机器学习算法,对描述慢性肝病的多项指标属性项进行降维处理,结合神经网络学习,构建了慢性肝病预测模型。实验分析了125组20维慢性肝病患者的医学检验指标数据项,利用ROC(Receiver Operating Characteristic)曲线优选出13维指标项作为慢性肝病敏感度高的检验指标属性项。通过主成分分析将13维指标项降至5维综合数据项。神经网络训练115组检验指标样本集,剩余10组样本集作为测试样本。与原始20维数据作为神经网络输入相比,所提模型不仅降低了复杂度,且预测精度提高了15.07%。     

基于粗糙集的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数 ,从函数逼近的观点出发分析 ,得出对任一神经网络函数在粗糙集意义下 ,都可根据学习样本点维数找到两个关联的离散函数来逼近它 ,并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系 ,为今后进一步研究在粗糙集意义下神经网络函数整体逼近理论及学习算法的描述奠定了基础。     

二维局域连接神经网络

本文提出了一种具有局域连接特性的二维神经网络模型,有效地克服了Hopfield种经网络因完全连接而带来的若干缺陷,并给出了相应的学习算法及用此神经网络记忆和识别26个英文字符的模拟结果.     

基于自适应学习速率的改进型BP算法研究

从感知器的结构及学习规则无法执行异或问题出发,用神经网络中的BP网络来解决异或问题,消除了感知器的局限性,但BP算法在具体实现中常会出现一些问题,如：收敛速度缓慢且与其他参数存在较强的耦合关系,局部极小等。对此,从前馈神经网络的原理出发,提出了一种自适应学习速率因子方法,用于对BP算法的改进,并将改进后的算法用于二维XOR问题及多维XOR问题的学习中。仿真实验证明,改进后的算法可显著提高网络的学习速度,且学习过程具有良好的收敛性及较强的鲁棒性。