BP神经网络在点群分类中的应用

文章在介绍了BP神经网络的基本原理和特点后,将BP神经网络引入到点群分类中来,具体说明它在点群分类中的实现过程,最后通过一个实例验证了BP神经网络用在点群分类中的可行性。     

一类二次Sigmoid神经元构建的分类器分类能力的理论分析

针对含二次Sigmoidal神经元的前向神经网络,研究了它的模式分类能力.通过分析它在解决Dichotomy问题所需的规模,从而得到了这种神经元模型对神经网络分类器的分类能力的改进程度.     

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     

一种能简化复杂分类问题的矩阵模块神经网络分类器

主要针对大训练集和类别非对称训练集等复杂分类问题提出一种基于新的任务分解技术的矩阵模块神经网络分类系统,它将一个复杂分类任务分解为多个简单的子任务来解决,每个子任务只是在两个子空间内进行,且由一个具有简单结构的神经网络模块来完成;所有网络模块将组成一个神经网络矩阵,最终将该神经网络矩阵的输出矩阵集成得到最终分类结果.本文通过理论分析和模拟实验证明,该矩阵模块神经网络能节省神经网络的学习时间,提高泛化能力和分类精度.     

神经网络在车牌字符识别中应用

近年来,以改进型BP网络为代表的神经网络在模式识别、模式分类和模糊控制等领域得到广泛应用,它具有具有良好的自学习能力、强大的分类能力、容错能力或鲁棒性。本文将神经网络引入到车牌字符识别中来,先论述了基于神经网络图像识别系统的理论;再结合车牌字符识别的特征提取法进行BP神经网络分类器的设计。     

神经网络研究综述

介绍神经网络的产生，发展，分类及其学习，加以地神经网络的理解，从而更好地应用它。     

利用神经网络发现分类规则

神经网络是目前公认的高精度分类器,但它的分类过程却令人难以理解,被称为“黑箱”,从而降低了它的可信度,且使其结果不易应用到其它相关领域。本文提出应用决策树模拟神经网络的隐节点和输出节点的决策过程的思想,在分类精度基本不变的前提下,将训练后的前馈神经网络利用遗传算法进行剪枝,再将其转换为含有若干棵树的森林结构,然后将每棵树看作一个分类器,利用决策树模拟每个分类器的分类过程,最后将决策树结构转化为若干     

基于神经网络的一种图象细化方法

提出了一种新的细化算法,它利用神经网络的分类辨识特性,对边缘点进行分类识别。实验结果表明这种方法具有速度快,省空间的优点。     

用于遥感图像分类的一种高阶神经网络的改进算法

BP网络的分类方法被广泛应用于遥感图像分类,但它存在局部最小、隐含层节点数及训练速度等问题。高阶神经网络从一定意义上克服了这些缺点,取得了比较好的分类效果,但也存在特征维数受限、在特征数增多时收敛速度慢等问题。本文提出了对高阶神经网络算法的改进,将高阶神经网络作进一步扩展,使其特征数的局限减小,并结合自适应方法,使分类细化,且速度不会影响太大。本文简单介绍了高阶神经网络和不同BP网络各自的特点;讨论了高阶神经网络的优点以及由此带来的局限性;详细描述了改进后的算法,包括新算法的流程图,分类方法,并提出对原有的学习方法速度的提高办法;最后分析这种算法与高阶神经网络相比的优势和灵活性。     

数据挖掘中基于交叉覆盖神经网络的分类分析

给出在数据挖掘中应用交叉覆盖神经网络进行分类分析的方法,它克服了传统神经网络如BP算法需要多次迭代及存在局部极小等缺点,计算速度快,能很好的适应高维数据的分类问题.文中给出了一个真实数据的测试例子.     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．     

基于粗糙集的进化神经网络入侵检测系统研究

针对目前实时入侵检测系统所处理的网络数据具有的非线性和高维的特点,提出基于粗糙集理论的进化神经网络入侵检测方法。对网络中截获的数据,利用粗糙集属性约简方法对其属性集进行约简,得到影响分类精度的重要属性。把约简后形成的训练样本进行数值化和归一化处理,作为神经网络的输入数据,再利用遗传算法较强的宏观搜索能力和全局寻优的特点,优化神经网络权值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法学习速度快,有效提高了入侵检测系统的检测效率。     

基于灰色GM(1,1)模型的时间序列预测研究

基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。     

基于神经网络的增量式数据索引机制研究

为了解决难以利用MDS方法进行有效的增量式数据索引的问题。本文提出了基于神经网络的增量式数据索引方法。该方法首先对少量数据用MDS方法进行索引，索引结果用于训练神经网络，新数据再通过训练后的神经网络进行索引，利用训练后的神经网络对增量数据进行索引的时间复杂度为O(n)。实验结果表明，本文防哪个法可以有效的进行增量式数据索引，并交好的保持了数据对象间的距离信息。     

数据增强策略在人脸识别技术实现的研究

以小数据集为样本进行卷积神经网络模型的训练过程,容易出现所得到的神经网络模型泛化能力不足的问题。传统的处理方法大都通过数据增强的方式来提高训练数据的样本总数。本文选取多个网络模型进行对比实验,验证不同神经网络在训练过程中是否使用数据随机增强方式的模型识别准确率提高的效果,为如何选取小数据集样本训练神经网络提供参考。     

超平面中心的RBF神经网络及其新方法

在传统的径向基神经网络框架的基础上,通过引入中心超平面的概念,提出了超平面中心的径向基函数神经网络。在此网络中以点到中心超平面的距离代替传统的径向基神经网络中点到点的距离,其优势在于中心超平面作为数据中心包含了更多原始数据之间的信息。以函数逼近和数据分类的实验为例,证明了超平面中心的径向基神经网络相对于传统的网络有一定的优势。     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

基于Matlab的自组织神经网络在油气层识别中的应用研究

介绍了自组织竞争网络和自组织影射网络的原理,对自组织竞争网络和自组织影射网络的优缺点进行了比较。采用大庆的油气层数据建立网络模型,对网络结构的参数进行了优化并对输入样本进行了聚类分析。数据分析表明自组织竞争网络和自组织影射网络都有较好的聚类结果,自组织竞争网络较自组织影射网络方法识别出的结果更客观可靠,是油气层识别的一种有效方法。