基于数据挖掘技术的信用卡审批模型研究

针对分类预测建模数据的非对称性,提出一种基于神经网络和决策树技术结合的非对称性数据集合预测分类建模方法,建立了信用卡审批模型.结果表明:增加预测类标识决策属性后,在用不同比例的建模数据集建立的所有模型中,比例为33.33%:66.67%的数据集建立的神经网络模型最好,模型的准确率达到88.49%.     

基于决策树的神经网络

传统人工神经网络模型采用试探的方法确定合适的网络结构,并随机地初始化参数值,导致神经网络训练效率低、结果不稳定.熵网络是一种建立在决策树之上的3层前馈网络,在熵网络基础上,提出了基于决策树的神经网络设计方法(DTBNN).DTBNN中提供了对神经网络参数的初始值合理设置的方法,并提出了由决策树确定的只是熵网络的初始结构,在实际的网络构造中需要根据实际应用添加神经元和连接权以提高网络的性能.理论分析和实验结果表明了这种方法的合理性.     

基于神经网络的分类决策树构造

目前基于符号处理的方法是解决分类规则提取问题的主要方法,而基于神经网络的连接主义方法则用的不多,其主要原因在于虽然神经网络的分类精度高,但难于提取其所隐含的分类规则与知识.针对这个问题,结合神经网络的具体特点,该文提出了一种基于神经网络的构造分类决策树的新方法.该方法通过神经网络训练建立各属性与分类结果之间的关系,进而通过提取各属性与分类结果之间的导数关系来建立分类决策树.给出了具体的决策树构造算法.同时为了提高神经网络所隐含关系的提取效果,提出了关系强化约束的概念并建立了具体的模型.实际应用结果证明了算法的有效性.     

基于决策树方法的信用卡审批模型分析

本文针对建模数据的非对称性会影响分类检测建模问题,研究用不同比例的建模数据集进行建模．以获得较优的模型;利用决策树技术建立了信用卡审批模型,并对模型进行了检验,通过实验得出,该模型在预测精度、建模速度等方面均优于神经网络模型。     

BP神经网络合理隐结点数确定的改进方法

合理选择隐含层结点个数是BP神经网络构造中的关键问题,对网络的适应能力、学习速率都有重要的影响.在此提出一种确定隐结点个数的改进方法.该方法基于隐含层神经元输出之间的线性相关关系与线性无关关系,对神经网络隐结点个数进行削减,缩减网络规模.以零件工艺过程中的加工参数作为BP神经网络的输入,加工完成的零件尺寸作为BP神经网络的输出建立模型,把该方法应用于此神经网络模型中,其训练结果证明了该方法的有效性.     

基于深度残差概率随机森林的时间序列分类方法

时间序列数据广泛存在于工业、医疗等应用领域,由于其时序相关性强、特征空间维度大,使得传统的时间序列分类方法普遍存在精度不足和需要复杂特征工程等问题.充分考虑深度神经网络在处理复杂时序数据上的优越性以及决策树方法拟合数据能力强的优势,提出一种基于残差网络和概率决策树的端到端统一深度学习模型.该模型利用残差网络从原始时间序列中提取高级特征,为了更好地建立时序数据特征与类别标签间的映射关系,将概率决策树融入至残差网络的分类层.同时,设计随机子空间的集成策略,缓解由于残差网络的深层结构产生的过度拟合现象,并给出联合优化模型分裂参数和预测参数的迭代优化方案.在大量的基准数据集和工业案例上进行实验和分析,实验结果表明,所提出模型的分类性能优于传统方法与其他深度学习方法,且可有效提高残差网络的泛化能力.     

基于知识的神经网络在出行方式选择中的应用研究*

针对神经网络和决策树方法在算法上的本质联系和互补优势,将C4.5决策树提取规则的基于知识的神经网络（knowledgebased neural network,KBNN）用于出行方式预测。对居民通勤出行方式选择数据的分析表明,KBNN相比于决策树方法、普通前馈神经网络和多项Logit模型（MNL）有更高的预测精度,方法不仅提高了网络的可解释性,且易于构造、收敛速度更快,实用性较强,为出行方式选择预测提供了新的思路。     

基于BP网络的中速走丝切割加工参数优选研究

为了提高电火花线切割的工艺精度和加工效率,提出基于BP神经网络的中速走丝二次切割加工参数优选方法。通过对中速走丝两次切割过程进行正交试验,且在二次切割加工参数中加入二次切割的偏移量,进一步分析各因素对加工表面粗糙度和加工速度的影响,得出二次切割的最佳参数组合,最后运用BP神经网络构建加工参数优选模型并对实验结果进行分析。实验结果表明,该方法具有较高的预测精度,能够实现加工参数的优化选择,在实际生产过程中具有重要的参考作用。     

基于J48决策树算法的水质评价方法

提出一种以J48决策树算法为基础的水质评价方法。通过分析K最近邻法、贝叶斯分类法、向量空间模型法等常用的水质评价方法,针对某地区2008年的水质监测数据,采用J48决策树算法和单因子污染指数法对该地区水质进行计算,并对水质分类数据进行分类、属性清理和J48决策树参数的选择,以此建立模型。实验结果表明,该方法的交叉验证率约为95%,具有较好的分类评估效果。     

通用决策树模型设计

本文从数据挖掘的概念与步骤出发,针对数据挖掘的一般应用,采用决策树的方法,建立了通用的决策树模型.给出了模型中的两类数据和六个操作的一般描述,模型的重点是决策树建立、决策树剪技和规则集推导.     

Fuzzy linear regression based on Polynomial Neural Networks

In this study, we introduce an estimation approach to determine the parameters of the fuzzy linear regression model. The analytical solution to estimate the values of the parameters has been studied. The issue of negative spreads of fuzzy linear regression makes the problem to be NP complete. To deal with this problem, an iterative refinement of the model parameters based on the gradient decent optimization has been introduced.In the proposed approach, we use a hierarchical structure which is composed of dynamically accumulated simple nodes based on Polynomial Neural Networks the structure of which is very flexible.In this study, we proposed a new methodology of fuzzy linear regression based on the design method of Polynomial Neural Networks. Polynomial Neural Networks divide the complicated analytical approach to estimate the parameters of fuzzy linear regression into several simple analytic approaches.The fuzzy linear regression is implemented by Polynomial Neural Networks with fuzzy numbers which are formed by exploiting clustering and Particle Swarm Optimization. It is shown that the design strategy produces a model exhibiting sound performance.     

基于复合神经网络的学习风格动态分析与研究

近年随着慕课（MOOC）等新兴教育教学手段的快速发展,大量的学习者学习行为可以被系统所记录和分析,从而为个性化教学奠定了重要基础。在Felder-Silverman学习风格模型的理论基础上,通过引入智能分析算法动态地分析和识别学习者学习风格,构建了一套融合了卷积神经网络和循环神经网络的“识别-推理”复合模型,通过学习者的线上学习行为、社区交互行为、学习内容浏览行为、点击拖动行为等学习过程识别其学习行为特征,并使用基于门控循环单元（Gated Recurrent Unit,GRU）的循环神经网络处理和预测其可能的学习风格及对学习内容形式的偏好,以更高效地为学习者提供适应于其学习风格的学习内容和路径,优化学习体验,为大规模、个性化和高质量的下一代学习平台提供技术支撑。     

基于深度学习框架的多模态动作识别

提出一种基于深度神经网络的多模态动作识别方法,根据不同模态信息的特性分别采用不同的深度神经网络,适应不同模态的视频信息,并将多种深度网络相结合,挖掘行为识别的多模态特征。主要考虑人体行为静态和动态2种模态信息,结合微软Kinect的多传感器摄像机获得传统视频信息的同时也能获取对应的深度骨骼点信息。对于静态信息采用卷积神经网络模型,对于动态信息采用递归循环神经网络模型。最后将2种模型提取的特征相融合进行动作识别和分类。在MSR 3D的行为数据库上实验结果表明,本文的方法对动作识别具有良好的分类效果。     

模糊神经网络建模方法的研究

近年来神经网络在建模中得到了广泛地应用,但其学习过程需要大量的训练样本以保证其结果的正确性,在工业过程建模中,神经网络因可采集与训练样本数少,且信息不全等困难,难以建立一定正确度的模。针对这一问题,本文以Ｇａｕｓｓ函数为隶属度函数形式改进模糊聚类的Ｃ－平均法,提出了模糊ＣＧ－平均法,对一同组数据的聚类结果证明了此方法的有效性,模糊神经网络在化工中的研究尚处于初级阶段,本文将模糊ＣＧ－平均法与神经网络结合,构造由模糊化层、隶属度生成层、推理层及反模糊化输出层构成的模糊神经网络,实例表明本文所构造的模糊神经网络在使用较少训练样本的条件下仍能取得理想的结果,有助于直接从生产中建立所需的模型。     

锅炉生产过程的神经网络建模方法研究

针对锅炉效率计算中正平衡法和反平衡法都不能完全反映真实锅炉燃烧过程的实际情况,该文提出基于神经网络的锅炉生产过程建模方法,该方法不需要太多监测数据并且保证了建模的准确性。     

Combining additive input noise annealing and pattern transformations for improved handwritten character recognition

Two problems that burden the learning process of Artificial Neural Networks with Back Propagation are the need of building a full and representative learning data set, and the avoidance of stalling in local minima. Both problems seem to be closely related when working with the handwritten digits contained in the MNIST dataset. Using a modest sized ANN, the proposed combination of input data transformations enables the achievement of a test error as low as 0.43%, which is up to standard compared to other more complex neural architectures like Convolutional or Deep Neural Networks.     

基于粗糙集理论的模糊神经网络构造方法

构造模糊神经网络时确定初始的隶属函数是一个难点,提出了一种新的基于粗糙集理论的隶属函数获取算法,该算法根据粗糙集理论中基于属性重要性的离散化方法确定条件属性的断点,再通过断点确定各模糊集合隶属函数的中心和宽度,同时给出了网络各参数的修正公式;仿真结果证明,该算法在学习的快速性和精度上具有良好的性能.     

基于知识的复杂产品设计过程

通过构建复杂产品知识化设计过程模型,建立将设计资源数据转换成设计知识的映射关系,基于人工神经网络获取设计知识的方法,实现设计知识的继承与共享,提高设计的质量和效率,用固体火箭发动机设计经验知识的获取过程验证了该方法的有效性。     

Novel Approaches to Probabilistic Neural Networks Through Bagging and Evolutionary Estimating of Prior Probabilities

In this contribution, novel approaches are proposed for the improvement of the performance of Probabilistic Neural Networks as well as the recently proposed Evolutionary Probabilistic Neural Networks. The Evolutionary Probabilistic Neural Network’s matrix of spread parameters is allowed to have different values in each class of neurons, resulting in a more flexible model that fits the data better and Particle Swarm Optimization is also employed for the estimation of the Probabilistic Neural Networks’s prior probabilities of each class. Moreover, the bagging technique is used to create an ensemble of Evolutionary Probabilistic Neural Networks in order to further improve the model’s performance. The above approaches have been applied to several well-known and widely used benchmark problems with promising results.      

The undeterministic manipulation of solid models for robot program synthesis

In automatic robot program synthesis the number of variables that should be taken into consideration become prohibitively numerous. Due to the ambiguity and sheer size of items to be considered conventional computation methods cannot satisfactorily solve the problem. A Neural Network model that acquires data from a Solid Modeling data base, combines the completeness of information provided by solid modeling with the uncertainty encountered in the grouping process to perform geometrical classification of objects. The capabilities of Neural Networks to learn non-geometrical patterns in the grasping process, are yet to be achieved. Much progress needs to be made in both the neural model complexity and the computing machinery power before real intelligent program synthesis can be achieved.