灰色系统在基于神经网络入侵检测中的应用初探

基于神经网络的入侵检测模型,受限于所选择的训练集且过程反复繁杂,该文提出了应用灰色系统结合神经网络的方法对该模型进行改进,这样便可以较好地弥补其不足之处。     

灰色理论及神经网络在就业预测中的应用研究

介绍GM(1,1)模型和BP神经网络模型的预测原理,同时提出了灰色神经网络模型,并将相应模型用于就业预测,研究发现灰色神经网络模型具有较高精度与较高速度.     

基于灰色G(1,1)和小波神经网络的预测模型及应用

将灰色系统、小波分析和三层BP神经网络各自优点集于一身建立了基于灰色G(1,1)和小波神经网络的预测模型,大幅度提高了模型的预测精度和可靠性。选用我国自1994年至2006年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,将拟合值做小波神经网络的输入进行二次拟合和预测。实验结果及仿真验证表明,本文模型预测效果远优于单一的灰色模型预测。     

灰色问题神经网络建模的白化方法

本文对灰微分方程及其参数的形态与特征进行了研究,分析了灰微分方程参数的灰性,提出了用神经网络方法对灰微分方程的参数进行白化的方法,建立了对灰微分方程参数进行白化的BP网络,由于该BP网络充分利用了灰微分方程参数的灰性,因而所建立的BP网络是一种灰色神经网络.本文在对一维灰色问题和神经网络建模进行研究的基础上,提出了一种利用神经网络对灰微分方程参数进行白化的方法——灰色神经网络方法GNNM(1,1).进一步,对二维灰色问题进行研究并建立了GNNM(1,2)模型.     

灰色欧拉优化模型及其应用

针对一类具有近似幂函数特征的序列建模预测问题,通过引入非齐次欧拉方程,提出一种优化的灰色欧拉模型.对该模型的建模机理、参数估计和时间响应式等进行研究,讨论以误差平方和最小为目标,对灰色欧拉模型的初始点进行优化,研究灰色欧拉模型的3种基本形式和3种优化形式.该模型能很好地拟合幂函数特征的序列,拓展灰色预测理论的体系,扩大灰色预测理论的应用范围.最后,利用中国能源消费量和幂函数拟合两个实例来测试模型的有效性,结果表明,所提出的新模型具有更好的拟合和预测精度.     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式—灰色补偿神经网络。该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式-灰色补偿神经网络.该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值.仿真结果表明本方法优于其它灰色神经网络.     

基于灰色神经网络的烧结碱度预测与仿真

建立了应用灰色神经网络对烧机矿化学成分进行预测的有关理论，并在此基础上构造了灰色神经网络模型。该模型中。灰色理论弱化数据序列波动性和神经网络特有的非线性适应性信息处理能力相融合，本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测。该模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和BP神经网络算法相比，灰色神经网络算法有很大的应用前景和推广价值。     

灰色DNGM(1,1)预测模型及其优化

传统的灰色GM(1,1)预测模型是针对近似齐次指数序列建立的预测模型。为了拓广灰色预测模型的适用范围,建立了近似非齐次指数序列的灰色DNGM(1,1)预测模型。研究了这种灰色预测模型的性质,证明了这种模型都具有线性不变性,也能够完全拟合非齐次指数序列。考虑到初值条件对灰色模型的影响,对该模型进行了参数优化。数据仿真和实例分析表明,灰色DNGM(1,1)预测模型具有较高的预测精度。     

基于灰色神经网络的汽车动态称重数据处理

针对目前汽车动态称重方法称量精度低和所需数据样本数量大的缺陷,提出了一种新的动态称重数据处理方法,通过GM（1,1）模型对车辆动态称重数据进行预处理,获得每个称重数据的误差补偿量,建立了以车辆速度、加速度、动态称重残差序列为输入变量的灰色神经网络模型,使系统称量误差小于1%,称量准确度等级达到1级指标。研究表明,该方法在动态汽车衡数据处理中的可行性强,实现了在贫信息、少数据情况下对动态称重数据的高精度处理,为汽车动态称重系统精度的进一步提高提供了理论与技术支撑。     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

基于模糊粗糙模型的粗神经网络建模方法研究

提出一种基于模糊粗糙模型的粗神经网络建模(FRM_RNN_M)方法. 该方法通过自适应G-K聚类实现输入输出积空间的模糊划分, 进而在聚类数和约简属性搜索的基础上, 提取优化的模糊粗糙模型(Fuzzy rough model, FRM), 并在融合神经网络后实现粗神经网络建模. 分类实验表明, FRM_RNN_M的分类性能优于传统贝叶斯和LVQ方法, 而且比单纯的FRM模型具有更强的综合决策能力, 和传统的粗逻辑神经网络(Rough logic neural network, RLNN)相比, FRM_RNN_M方法建立的神经网络结构精简, 收敛速度快, 具有更强的泛化能力.     

基于神经网络和灰色模型的非线性预估

以某己内酰胺厂磷酸羟胺(HPO)的制备的现场数据为基础,利用贝叶斯正则化神经网络和灰色模型建立了磷酸羟胺中的H+浓度的预测模型;比较了神经网络和灰色模型的差异,并把两者结合起来,建立模型进行预测。最后验证了用神经网络和灰色模型相结合建立起来的磷酸羟胺模型可以迅速有效的预测信息,从而为实现质量指标的实时预估和获取专家系统知识奠定了基础。     

RNN和Hopfield两网络中的优化解法的对比研究

基于一种动态随机神经网络(DRNN)求解典型NP优化问题TSP的改进算法,在理论上对DRNN与连续的Hopfiled网络(CHNN)进行了对比研究,指出虽然两种网络均以能量函数表达TSP的最优路径,并通过训练反馈网络求得路径解,但由于两者所用激活函数和收敛条件不同,使得DRNN网络能够接受能量函数的小波动,从而跳出局部最小值达到全局最优;此外,DRNN与CHNN相比网络训练对参数变化不敏感,参数设置简单。最后,通过仿真实验对随机坐标十城市使用两种网络对比路径寻优能力,进一步验证理论分析的结论。揭示RNN网络和CHNN网络在求解TSP时各自的优缺点。     

基于灰色神经网络的Web社区主题舆情传播模型

Web舆情传播的动态性,不确定性等特征给精确预测舆情传播带来困难．在分析了灰色理论系统的基础上,提出了灰色理论微分方程型模型（GM）和扩展BP神经网络的组合模型,该组合模型综合考虑了网络的结构和传播特性,首先建立灰色理论微分方程型模型,然后映射到扩展的BP神经网络中,通过训练数据来训练该神经网络,使网络具有传播预测能力．仿真实验表明,该组合模型在Web社区主题舆情传播预测精确性方面高于单一的GM模型．     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

基于WNN的两种优化结果在预测控制中的应用*

从优化小波神经网络的角度出发,对两种优化模型从理论上进行建模与推导;根椐预测控制的特点,提出离散小波神经网络模型GA分层优化方法及广义小波神经网络模型优化方法与预测控制相结合的新的应用途径.仿真结果证明了该方法的有效性和可行性,能使实际工程中的预测控制结果得到优化.     

人工神经网络在材料设计中的应用及其若干共性问题的研究

应用人工神经网络进行材料设计已取得了可喜的进展，本文回顾了人工神经网络应用于材料制备工艺研究时的一些共性问题，如：样本筛选、网络结构的确定、加快网络训练速度、改善网络预测效果、最优工艺参数的确定等，并给出相应的解决办法。     

基于自组织竞争优化结构的混沌系统建模

针对混沌系统建模引入模糊神经网络模型时隶属函数不具有自适应性,系统模糊规则数的确定有一定的人为主观性的问题,本文对模型参数进行遗传退火算法优化,然后利用自组织竞争网络优化模型结构,使模型具有最佳结构即最简单的模糊规则数;再对有最佳结构的模型进行参数优化,得到具有最佳结构和参数的建模模型。以一维的Logistic系统、二维的Henon系统和Mackey-Glass混沌时间序列为例进行仿真分析,结果表明模型能够拟合原混沌系统,精度良好而且结构最简。