基于输入扩展改进的BP网络及其在遥感图像分类中的应用

提出了一种基于输入模式扩展的神经网络改进方法,并和Levenberg-Marquardt优化的BP网络(LMBPN)进行了对比。通过二阶内积或切比雪夫多项式等非线性函数,把输入向量映射到更高维的模式空间,可以增强样本的可分性。Iris数据和遥感图像分类实验表明,输入模式扩展的神经网络改进方法可以进一步加快收敛速度,改进模式分类效果。     

切比雪夫函数型连接神经网络在信道均衡中的应用

本文提出一种基于切比雪夫函数型连接神经网络(CFLNN)的信道均衡方法。传统的前馈神经网络虽然能有效地解决信道均衡的问题,但具有计算复杂度过高,收敛速度慢等缺点。函数型连接神经网络通过对输入模式进行非线性扩展,可以不必使用隐层而不降低整体性能,从而极大简化了网络结构。同时,神经网络的学习方法得以简化,提高了收敛速度。本文采用可变尺度共扼梯度下降法(SCG)对该函数型连接网络进行训练。仿真结果表明了用切比雪夫函数型连接神经网络解决信道均衡问题的有效性。     

广义向量Bent函数

该文完善并拓展了Nyberg(1991)的关于广义向量Bent函数性质的结论,相应于Nyberg给出的正则广义向量Bent函数,提出了负则的广义向量Bent函数的概念:得到有偶数个输入的负则的广义向量Bent函数输出维数也不大于输入维数的一半;证明了奇数个输入的正则和负则的广义向量Bent函数都不存在,这些结果的给出,可使密码设计者避免一味去寻找某类不存在的函数.该文还给出了广义向量Bent函数的一种递归构造法.     

综合联想记忆神经网络的外积取等准则

本文提出了一个新的联想记忆设计准则，即外积取等准则，它具有外积和准则的所有优点。由外积取等准则设计出的联想记忆网络能够存储任意给定的训练模式，即对于训练模式的数目和它们之间相关性的强弱没有限制。外积取等准则可用来定量地评价记忆模式向量各分量对于记忆模式分类或识别的重要性。由外积取等准则设计出的网络的连接权值只取１、０或－１，因而网络易于光学实现。计算机实验结果充分说明了外积取等准则的有效性。     

基于BERT-BiLSTM的短文本情感分析

传统的神经网络模型主要是以词向量的形式处理短文本的分类任务,造成模型过度依赖分词的精度,而短文本又具有语料短、特征发散的特点,针对这一系类问题提出一种基于BERT和BiLSTM相融合的短文本情感分类模型。首先,利用BERT模型将训练的文本转换成以字为单位的向量表示形式;随后,将生成的字向量作为双向长短期记忆网络输入,获取到相关字的上下文的语义表示;并通过加入随机Dropout机制防止模型发生过拟合;最后,将提取的特征向量输入到全连接层,经过Softmax函数计算出文本所属的情感类别。经实验表明,在处理短文本方面,基于BERT-BiLSTM的算法模型比传统的利用词向量的神经网络模型分类更加精准可靠。     

转频元器件测量的新方法（下）

此一部分我们特别着墨于向量网络分析仪在转频模式下测量转频元器件。首先，我们先介绍转频模式的意义，以及为什么我们需要这样的模式来测试输入/输出效率不同的元器件。接着，我们看看两种由安捷伦科技发展的新测试方法——应用于转频元器件的向量校正方法，这是十分令人激赏的，可以将测量转频元器件的测试环境提升精确度至另一境界，可将强度及相位的测量精确度达到前所未有的水平，我们将作一些实例测量，并与第一部分的传统方法做一比较。     

基于神经网络的快速分组交换的输入访问控制

提出了基于神经网络实现用于Ｂ－ＩＳＤＮ的快速分组交换的输入访问方案。引入输出访问控制是为了提高交换机的吞吐率，由于它属于组合优化问题，可采用连续型Ｈｏｐｆｉｅｌｄ神经网络实现，给出能量函数，网络参数，连接矩阵及计算机模拟结果。     

用PSPICE分析Z域网络传输函数

本文介绍了一种利用PSPICE分析Z域网络传输函数的方法，利用该方法可方便、准确地求出Z域网络函数的频率特性，还可求出该函数在不同输入信号的响应。     

含有L21范数正则化的在线顺序RVFL算法

单隐层前馈神经网络(SLFN)以其量级轻、参数量少、训练成本低等优点,目前被广泛地运用于函数逼近处理、模式识别和控制领域中。随机向量函数连接网络(RVFL)作为SLFN的一种,能够将输入层与输出层做直接相连,加强输出层与输入层的关联。然而目前的预测任务中,已经训练好的网络在面对批量数据会随时间不断变化的情况时,则容易显露出泛化能力不足问题。为了提升网络的泛化能力,并防止重复训练,本文提出了一种在线顺序的RVFL算法,使用L₂₁范数实现正则化。在UCI数据集上经过对多种相关参数的最佳选择后,与同类型的RVFL算法和LR₂₁-RVFL算法相比,本文提出的LR₂₁-OSRVFL算法在多种评价指标下均有更优表现。     

局部子空间自适应核函数网络

针对目前单一整体核函数网络相对于原始空间特征局部分布缺乏自适应性以及网络规模巨大的不足,本文提出局部子空间自适应核函数网络解决思路。首先将原始空间的高维特征分成一系列低维子空间;然后针对不同子空间构造不同的核函数和核参数局部网络;最后综合所有子空间形成综合核函数网络。同时利用支持向量分布几何意义,选择边界向量代替原始训练样本,大大减少网络的复杂度。由于不同输入子空间构造的核函数以及网络规模相对于样本分布具有一定的自适应性,所以该方法相对于经典全局核函数网络可以得到更好的综合性能。对比实验结果表明本文提出的方法能够改进高维模式识别的性能,是一种值得实际应用推广的方法。     

基于负相关学习的支持向量机集成算法

提出一种基于负相关学习理论的支持向量机集成方法，该方法能有效解除各支持向量机之问的相关性，使得集成个体有较大的差异。并采用了演化策略对支持向量机的核函数和相关参数白适应地进行选择。仿真实验表明．该方法不仅能有效地解决支持向量机模型选择的难题，而且能以很小的代价显著提高学习系统的泛化能力。     

模糊双向联想记忆网络的有效学习算法

基于模糊取大运算和爱因斯坦S-模提出新的模糊双向联想记忆网络模型（Max—SesFBAM），并为该网络提出了一种新的学习算法。在理论上严格证明了，任意给定的模式对集，只要存在有连接权矩阵对使其为Max—SesFBAM的平衡态集，则依该学习算法所确定的连接权矩阵对（W^-，U^-）是所有这样的连接权矩阵对中的最大者；且该最大连接权矩阵对能使Max—SesFBAM对任意输入在一步内就进入平衡态。     

基于路径函数和BDD的网络可靠度分析

现有的二终端网络可靠度评估方法，多数基于不交积和，由于没有充分利用普遍存在的同构子网特性，导致存在大量冗余计算，无法适用于大型网络．为此，本文提出了一种基于路径函数和BDD的网络可靠度分析方法，利用图Hash技术识别同构子网，从而简化路径函数的构建，再利用BDD高效地操纵路径函数计算网络可靠度．实验结果表明，该方法性能稳定且高效，适用于更大规模的网络可靠性分析．     

基于半监督生成对抗网络的乳腺癌图像分类

本文针对仅有少量带标签样本时如何提高大量未标 注样本分类的的鲁棒性和准确性问题,提出一种 基于改进的半监督生成对抗网络(semi-supvised generative adversarial networks,SGAN) 的乳腺癌图像分类方法。该方法在输出层使用Softmax 函数 替代 Sigmoid 函数实现多分类。首先将随机向量输入到生成网络中,生成伪样本并标记为伪样本 类进行训 练。接着将真实标签样本、真实无标签样本和伪样本输入到判别网络中,输出为不同类概率 值;然后采 用半监督训练方法反向传播更新参数;最后实现对乳腺癌病理图像的分类,标注样本数量分 别为25、 50和200,最终准 确率达到95.5%。实验结果表明,当标注 样本有限时,本文算法的准确 率具有良好 的鲁棒性。本文算法相比于使用卷积神经网络和迁移学习(tranfer learning,TL)等分类方法准确率有了显著提高。     

径向基函数神经网络的软竞争学习算法

本文构造了径向基函数(RBF)神经网络的一类软竞争学习算法(SCLA).该算法的主要思想是首先在高斯基函数中心向量的训练过程中引入了隶属度函数,对每个输入样本,所有中心向量根据该样本属于其代表的类的隶属度值的大小进行自适应地调整;第二,把隶属度函数的模糊因子的倒数与模拟退火算法中的温度等同起来,在迭代过程中采用递增的方式来调整它.SCLA是RBF网络基于k-均值方法训练中心向量的学习算法的软竞争格式,它可以克服后者对初始值敏感和死节点的问题.仿真实验论证了SCLA是有效的.     

基于逻辑输入样本的神经网络算法

本文对确定多层前向神经网络权提出了一种基于逻辑输入样本的直接算法。对于逻辑输入样本,该算法只需一个三层网络实现;否则,需在输入层和隐层间引入一个预处理层以完成输入样本向逻辑向量的转化。由于不引入误差能量函数,该算法避免了BP算法训练过程出现的收敛速度慢和误差陷入局部极小问题。本文还对该算法的正确性作了详细论证并以XOR问题解释其计算过程。     

基于SVM的电力通信网络路由均衡方法研究

路由均衡过程存在负载开销，导致路由分配风险概率增加，提出基于SVM的电力通信网络路由均衡方法。构建路由均衡模型，通过能量函数分配网络业务路由，基于粒子群优化算法改进最小支持向量机的路由算法，求解均衡模型；通过最小支持向量机估算网络节点剩余能量，选用负载开销最小的路径路由数据，实现电力通信网络全局路由均衡分配。实验结果表明：该方法可均衡电力通信网络中存在的风险，且噪声大小对电力通信网络覆盖率、节点平均剩余能量以及业务中断影响不明显，在均衡电力通信网络业务方面具有可靠性与有效性。     

一种测量激光束横模结构的非线性网络

提出以激光束的横模结构特别是基模所占的比例作为激光光束质量的评价依据,并研究了测量方法.建立了基于Hopfield神经网络原理的非线性网络,使用CCD采集激光束的光斑图像作为网络的输入,通过计算该网络的能量函数,实行调整训练,获得网络的动力学稳定状态,此时网络中各阶横模的比例即为测量结果.实验采集了一束光的多幅光斑图像,经预处理后输入该网络,可获得模式结构数据,其中基模分量为69%.利用所得结果合成一幅光斑,与输入的原光斑图像的相对误差为3.53%.     

基于径向基函数神经网络的内模控制

文章用径向基神经网络设计内模控制系统,径向基神经网络是通过调整隐层与输出层间的连接权系数来逼近函数,如果隐层神经元数目过少,难免会出现收敛时间长,控制质量差,甚至发散的现象。为此,本文提出了增加调整基函数形状参数和中心向量的方法予以避免,并证明了网络不同调整参量收敛于目标函数极小点的性质。     

一类输入元素非线性连接的反馈式神经网络及其联想能力分析

本文研究了输入元素非线性连的妆的反馈式神经网络，文中以二阶非线性连接为例给多拓扑结构，导出了能够实现模式平移不变识别的学习方法，并借助于等权类的概念把不变识别条件建造于网络权结构之中，同时降低了网络连接复杂度。