基于模糊神经网络味觉信号识别的研究

文中提出了一种基于模糊神经网络方法的味觉信号识别模型,利用小波变换实现了对传感器所采集的味觉信号进行数据压缩及特征抽取,以模糊神经网络作为味觉信号的识别工具。     

基于模糊规则自动生成算法的茶味觉信号识别

在充分研究了模糊加权神经网络和微粒群算法的基础上，给出一种能够自动生成模糊规则的剪枝算法,并以此建立了新的网络模型。通过茶味觉信号识别的仿真实验验证了该算法的有效性。     

基于粒子群优化神经网络的语音情感识别

提出了一种基于粒子群优化算法的人工神经网络,并把它应用到语音情感识别系统中。依据情感的维度空间模型,分别提取了韵律特征与音质特征,研究了谐波噪声比特征随情感类别的变化。利用粒子群优化算法(PSO)训练随机产生的初始数据,优化神经网络的连接权值和阈值,快速地实现网络的收敛。在实验中比较了BP神经网络、RBF神经网络与PSO神经网络分别用于语音情感识别的识别率,PSO神经网络的平均识别率高于BP神经网络6.7%,高于RBF神经网络5.4%。结果显示,粒子群优化神经网络用于语音情感识别提高了识别性能。     

基于PSO-SVM的地震信号分类识别研究

针对地震信号难以分类识别问题,运用了粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)方法,建立了以小波包分解求出的奇异值熵分量为特征输入的PSO-SVM模型.实验中以天然地震和人工爆破这两类地震信号进行,为了验证方法,文...     

基于最小风险贝叶斯分类器的茶叶茶梗分类

目前在茶叶实际生产加工过程中,茶叶茶梗分拣自动化技术还处于不成熟阶段,分拣机械的精确度和效率还不能达到预期目的,必须通过再次人工分拣过程,大大增加了时间和人力成本。针对数码相机采集到的茶叶、茶梗数字图像,经过预处理后提取出样本的颜色和形状特征,并利用多元高斯模型进行建模,通过最小风险贝叶斯分类器对其进行分类。实验证明基于最小风险的贝叶斯分类器的分类方法是可行的,并取得了良好的分类效果。     

基于二进制粒子群优化的一个最小属性约简算法

研究基于二进制粒子群优化算法思想求解决策表最小属性约简问题的方法.定义适当的适应值函数,将决策表最小属性约简问题转化为一个适合二进制粒子群优化算法求解的0-1组合优化问题,证明问题解的等价性.在此基础上,引入种子粒子概念及其自适应保护策略,提出一个改进的二进制粒子群算法,取得良好的效果.实验结果说明该算法的有效性.     

基于贝叶斯网络的威胁识别

对威胁进行准确识别是威胁评估的重要内容之一,它涉及到许多不确定性因素.贝叶斯网络是处理不确定性知识的有效工具.根据威胁识别与贝叶斯网络的特点,提出了基于贝叶斯网络的威胁识别方法.首先简单介绍了贝叶斯网络及其优点,然后根据一个具体的实例,建立了威胁识别的贝叶斯网络模型,并阐述了贝叶斯网络用于威胁识别的推理流程.通过对实例的计算结果表明,利用贝叶斯网络能够准确识别威胁,并能有效地处理不确定性信息.     

基于置信度和神经网络的信用卡异常检测

针对标准微粒群算法容易陷入局部极小的缺陷,对标准粒子群速度进化公式进行改进,提出一种基于概率选择学习对象的粒子群算法.找出比当前个体好的粒子,形成候选学习对象集,计算候选集中每个粒子被选中的概率,形成学习对象集,并加权利用学习对象集信息.该算法使得每个粒子可以充分利用整个种群的信息,有效地保证粒子群的多样性.对3个Benchmark测试函数进行了仿真,结果显示,该算法能有效地改善寻优性能,具有摆脱局部极值的能力.     

基于粒子群优化算法的神经网络在英文字母识别中的应用

粒子群优化算法是基于群体智能理论的全局优化算法,它通过种群中粒子间的合作与竞争,对解空间进行智能搜索,从而发现最优解。其优势在于操作简单,容易实现。文中对一种新的算法PSO-BP进行了研究,该充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势,并与BP算法一起对44像素的英文字母进行识别比较。实验表明,将粒子群算法用于神经网络的优化,收敛速度更快,预测精度更高,而且算法简单,且对更高像素的英文字母识别同样适用。     

基于模糊神经网络方法实现茶味信号识别的研究

提出一种基于模糊c-均值聚类(FCM)的模糊神经网络模型用于荼味信号识剐的方法。该方法采用模糊c-均值聚类实现模糊神经网络中模糊子集及其隶属度函教的自动确定，并对模糊加权型推理法进行了改进，在此基础上构枣了一个模糊神经网络模型。通过5种茶味信号识别的仿真实验，表明本文提出方法的有效性。     

一种基于群体智能的人工神经网络学习算法

将群体智能优化理论引入一种前馈式人工神经网络——径向基函数（RBF）神经网络的学习训练过程,提出了基于智能微粒群算法的RBF神经网络学习算法,并与传统RBF神经网络学习算法进行了比较,实验结果证明了该方法的有效性。     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

基于熵聚类模糊神经网络味觉信号识别系统的研究

提出了一种基于熵聚类的模糊神经网络味觉信号识别系统模型,该模型利用聚类方法实现模糊输入空间划分和模糊IF-THEN规则提取,并使用梯度下降法对系统参数进行精炼,系统兼具有良好的可解释性和学习能力,对11种矿泉水味觉信号的识别实验结果表明了该系统的可行性和有效性。     

基于DSP的数字调制信号神经网络识别算法

DSP处理模块是软件无线电的核心，TMS320C6701芯片以其优越的性能越来越成为其首选。本文研究了在该芯片上实现数字调制信号的人工神经网络识别算法的方法和过程，并通过实验验证了其正确性和合理性。     

基于灰关联分析方法

针对一致关联度算法不具有普遍性和动态改变惯性权的自适应粒子群算法(DCW)不易跳出局部收敛能力的缺陷,本文提出了完全关联度算法和自适应变异的动态粒子群优化算法。完全关联度算法主要用来选择软测量的辅助变量。在改进的粒子群优化算法中,除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。为了构造一种性能较好的神经网络,采用改进的粒子群优化算法来优化神经网络所有的权值参数,并将提出的软测量建模方法预测延迟焦化的汽油干点,实验结果表明,与DCW算法优化神经网络(DCWNN)的建模方法相比,该算法不仅具有较好的泛化性能,而且具有较高的精度和良好的应用前景。     

基于粒子群优化算法的Bayesian网络结构学习

近年来,Bayesian网络已经成为人工智能领域的研究热点.为了更广泛的应用Bayesian网络,本文采用粒子群优化搜索算法,通过对粒子群算法中各个算子的确定,从训练数据样本中学习到Bayesian网络结构,并用测试数据样本测试学习结果与训练数据的匹配程度,试验结果表明,该算法能有效地学习到Bayesian网络结构.     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于神经网络的学习训练,并与遗传算法进行了比较,结果表明,神经网络基于粒子群优化的学习算法简单容易实现,而且能更快地收敛于最优解。