用HCM聚类和遗传算法实现多级模糊神经网络

模糊集理论适用于一些实验数据中不确定性和模糊性的建模问题,而模糊推理系统拥有模糊IF-THEN格式的结构化知识表示,但缺少适应性。神经网络本身具有对外部很强的适应性和从过去数据中学习的机制,但基于线性推理的模糊神经网络(FNN)模型作为模糊推理方法不能得到存在于参数间的最终关系,也不能影响接着发生的模糊集合。因此,我们提出了一个多级模糊神经网络(Multi-FNN),使用硬C均值聚类和进化模糊颗粒,利用处理为近似推理的一个线性推理,获得信息微粒和模糊集之间的关系。     

粒度神经网络对数字语言的数据融合

1 引言知识发现和数据挖掘(Knowledge discoverg and dataMining,简称KDDM)是近几年来随着人工智能和数据库发展起来的一门新兴的数据库技术。其处理对象是海量的日常业务数据,其目的是从大量的数据源中提取人们感兴趣的、有价值的知识和重要的信息。由于计算机和通信技术的迅猛发展,人类活动产生的数据日益增加,大量的各种数据库用于政府事务、科学研究、工业生产、商业管理和其它各个方面。数据的爆炸式增长使KDDM成了一个日益重要的研究领域。所提取的知识可用于问题求解、生产控制、信息管理、判断决策     

Automatic Setting of Article Format Through Neural Networks

The automatic format-setting of journal articles for reducing the workload of computer users involves two processes: automatic acquisition of article format and automatic recall of article formal. Several neural networks have been explored to implement the two processes. The advantages and disadvantages of these neural networks are evaluated in comparison with capabilities of conventional computer programs. A heteroassociative back-propagation network has been developed for the automatic acquisition process. This network excels over computer programs because of its abilities in learning and generalizing implicit knowledge from examples. A bidirectional associative memory network, a Boltzman network, and an autoassociative back-propagation network have been investigated for the automatic recall process. None of them excel over computer programs in terms of recall accuracy.     

自组织映射(SOM)聚类算法的研究

通过自组织映射神经网络实现的聚类算法能将任意维数的输入信号模式转变为一维或二维的离散映射,以拓扑有序的方式自适应实现这个变换.介绍自组织映射聚类算法的原理,通过实验进行仿真,结果表明自组织映射聚类算法是可行有效的.     

混沌神经网络模型及其应用研究综述

回顾了近年来混沌神经网络模型及其应用的研究进展．首先依据混沌产生的机理,将现有的多种类型混沌神经网络模型归结为4类典型的网络模型,并结合各种网络模型的数学描述来分析各自的机理和特性;然后从复杂问题优化、联想记忆和图像处理、网络与通信、模式识别、电力系统负荷建模和预测5个方面,介绍了混沌神经网络的应用现状;最后评述了混沌神经网络今后的研究方向和研究内容．     

基于自组织竞争神经网络技术的模糊聚类研究

本文对常规模糊聚类方法进行了深入的研究，提出了一种基于自组织竞争神经网络技术的模糊聚类方法。仿真结果证明，这种方法可以有效地进行模糊聚类。     

Fusing Neural Networks Through Space Partitioning and Fuzzy Integration

To improve recognition results, decisions of multiple neural networks can be aggregated into a committee decision. Aggregation weights assigned to neural networks or groups of networks can be the same in the entire data space or can be different (data dependent) in various regions of the space. In this paper, we propose a method for obtaining data dependent aggregation weights. The proposed approach is tested in two aggregation schemes, namely aggregation through neural network selection, and aggregation by the Choquet integral with respect to the -fuzzy measure. The effectiveness of the approach is demonstrated on two artificial and three real data sets.     

自组织神经网络在模糊聚类中的应用研究

聚类是按照事物的某些属性，把事物分类，使类间的相似性尽量小，类内的相似性尽量大。将事物通过适当聚类，才能便于研究事物的内部规律，但客观世界中存在着大量界线不分明的问题，研究模糊聚类的方法正是为了解决这类问题。在对常规模糊聚类方法分析的基础上，提出了一种将自组织竞争神经网络技术运用于模糊聚类的一种方法，并以100种动物分类为例，进行了模拟试验，仿真结果证明这种方法进行模糊聚类的思想正确，方法可行，效果较好。     

一种基于改进的FCNN网络模型的学习算法

本文给出了基于模糊聚类神经网络的新的网络模型及相应的学习算法,该算法可以有 效地克服FCNN算法的不足。     

自组织神经网络在模糊聚类中的应用研究

聚类是按照事物的某些属性,把事物分类,使类间的相似性尽量小,类内的相似性尽量大.将事物通过适当聚类,才能便于研究事物的内部规律,但客观世界中存在着大量界线不分明的问题,研究模糊聚类的方法正是为了解决这类问题.在对常规模糊聚类方法分析的基础上,提出了一种将自组织竞争神经网络技术运用于模糊聚类的一种方法,并以100种动物分类为例,进行了模拟试验,仿真结果证明这种方法进行模糊聚类的思想正确,方法可行,效果较好.     

稳健二进神经网络及其基本性质研究

从二进前向网络的稳健要求出发,提出了稳健分类的概念,在此基础上给出了稳健分类超平面的一般形式,从而如果二进前向网络的每一神经元都是稳健神经元,则网络的连接权仅为-1,0或+1,每一神经元的阈值也只为二分之一的基阈值加上一处于有限区域上整数的辅阈值,并且辅阈值为神经元各个输入对其的贡献之和.稳健二进前向网络的这些性质使得网络不仅稳健能力强,而且易于做到隐节点数少、连接少、易于实现.     

基于构造型神经网络和商空间粒度的聚类方法

采用构造型神经网络对大规模模式进行聚类,其中利用商空间粒度分析法选择最优粒度聚类。该方法既发挥了构造型神经网络计算复杂度低的优点,又利用了商空间理论选取最优粒度聚类。对大规模复杂数据聚类实验结果表明该方法是实效的。     

混沌神经网络及其在最优化问题中的应用

首先评述了三种混沌神经网络模型,然后提出了一种新的混沌模拟退火算法。其次将四种方法分别应用于10个城市的施行推销商问题。文中给出了每一模型神经元输出和能量函数随时间演变过程曲线。根据仿真结果,讨论了四种方法的特性与有效。其结论为：提出的模拟退火神经网络比其它网络模型更能获得全局最小解。     

Three-Dimensional Feedforward Neural Networks and Their Realization by Nano-Devices

The three-dimensional (3D) model of a feedforward neural network(NN) based on so called N-hypercube topology isproposed. The N-hypercube is different from theclassical hypercube used in communication theory, and in Booleanalgebra. This new structure has been created based on a novelalgorithm for embedding a binary decision tree and binary decisiondiagram into a N-hypercube. It is shown thatN-hypercube topology is a reasonable solution toimplement NN of threshold gates, in particular, on thesingle-electron devices. The 3D design methodology of feedforwardNN is oriented to technology mapping to nanodevices. Results ofextensive experimental study of feedforward networks consistingof over 3500 N-hypercubes are presented.     

过程神经元网络的研究与进展

过程神经元网络是一种适合于处理过程式信号输入的网络,其基本单元是过程神经元--一种新的神经元模型.本文介绍了过程神经元及其网络模型的基本理论及其特点,概述了一种基于梯度下降的学习算法及算法流程,总结了近几年来过程神经元网络及其算法的最新研究进展,并给出了一些已有的应用成果,讨论了一些具有前景的研究方向.     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

基于改进的模糊C均值的BP分类器设计

提出了一种基于改进模糊C均值的BP神经网络分类器的设计,通过改进的模糊C均值算法对大量的数据进行聚类划分,然后设计BP神经网络对划分后的数据进行训练和测试,最后由计算机进行综合判断.试验证明该分类器是有效的,可以对高速公路车辆的车型进行迅速判别.     

基于聚类遗传算法的神经网络规则抽取及应用

提出了一种基于Gabor滤波器和神经网络规则抽取的烘焙面包品质分类方法。滤波器对烘焙面包切片区域灰度图像直接进行小波变换,用能量均值"和均方差!来表示灰度图像的纹理特征,并基于对隐层神经元输出值聚类的遗传算法实现了对面包品质分类的规则抽取。实验结果表明了该方法的实用性和可行性。     

记忆神经网络的研究与发展

首先,根据记忆神经网络训练形式的不同,介绍了强监督模型和弱监督模型的结构特征和各自应用场景以及处理方式,总结了两类主要模型的优缺点;随后,对两类模型的发展和应用（包括模型创新和应用创新）进行了简要综述,总结了各类新模型在处理自然语言过程中所起的关键作用;最后梳理了记忆神经网络处理自然语言所面临的复杂性挑战,并预测了记忆神经网络未来的发展方向.     

卷积神经网络的架构与应用发展

近年来,在高科技领域,神经网络的发展逐渐成为研究的重点。在深度学习中,CNN是最先成功的案例,最引人关注的特点是其局部连接、权值共享等特性,这些特性相比传统的神经网络可以有效降低网络复杂程度、减少训练参数。但现实中,还需要对网络进行多种优化才能达到最终效果。因此近年来出现的一些网络架构在很大程度上优化了神经网络,取得了更好的效果。笔者主要总结了一些卷积神经网络的典型架构和相关领域的应用。