基于自适应遗传神经网络的银行客户分类研究

银行产品的营销行为都是针对广大客户的。若能提前分辨出哪些是优质客户,再为其定制合理的营销策略,那银行就能获得更大的竞争力。文中将遗传算法与BP神经网络结合用于对银行客户分类进而预测客户是否会购买银行产品。该方法有效地克服了BP神经网络容易陷入局部极小值和收敛速度慢的问题,并且针对其中遗传算法的计算时间和精度问题提出了一种新的自适应遗传算法。实验结果表明,基于这种自适应的遗传神经网络的方法用更短的计算时间达到了更高的预测精度,可以准确地为银行客户分类。     

基于推进策略的遗传分类方法研究

应用遗传方法产生“弱”分类器,按照Boosting（推进）的思想,改变每一代遗传操作中训练实例的权重,并以整体结合方式确定未在训练集中的实例类型,有效地改进了遗传分类算法。     

遗传神经网络在煤炭企业物资分类中的应用

在快速变化的市场和越发剧烈的行业竞争中,煤炭企业原有人工物资分类方法暴露出越来越多的缺陷.以供求度、价值度以及供应效率三个指标为输入提出了基于遗传优化的BP神经网络的分类方法,对企业物资分类管理策略进行了优化研究.通过Matlab仿真,验证了该模型的科学性与准确性.     

基于遗传神经网络的误分类代价敏感网络入侵检测

针对传统的基于遗传神经网络的入侵检测模型未考虑误分类代价的不足,将误分类代价敏感的特征集成到基于遗传神经网络的网络入侵检测模型中,从而克服了传统模型中错误分类时可能导致代价过大的缺点。通过实验结果表明,增加了误分类代价敏感特征后的遗传神经网络能较好地控制网络入侵检测系统误报、漏报攻击时所产生的代价。     

改进的遗传算法用于极化合成孔径雷达影像非监督分类

H/α-Wishart分类方法是目前常用且较为有效的极化SAR影像分类方法,但其分类精度还有待改善。研究一种基于遗传算法的极化SAR影像的分类方法,该方法根据极化SAR影像Cloude特征分解的特征值,采用H/α平面进行初分类,然后采用遗传算法迭代进行再次分类。针对遗传算法“早熟”和收敛速度慢的问题,结合H/α平面图对遗传算法的变异算子进行了改进,以利用极化散射机理缩小变异范围,改善算法收敛速度。采用NASA-JPL实验室的极化SAR数据以及中国电子科技集团38研究X波段原型样机的高分辨率极化SAR数据进行实验,结果表明:该方法极化SAR影像分类精度优于H/α-Wishart分类方法。     

遥感图像非监督计算机分类方法的研究

通过对几种常用的非监督计算机遥感图像分类方法,如k-means、层次聚类和神经网络的分析研究发现,由于这些方法不能克服数据噪声点的影响,输出结果对输入参数依赖性较大,使其对图像的分类效果受到影响。为了提高图像的非监督分类效果。本文提出了一种基于密度和自适应密度可达聚类算法。实验分析表明,与常用的分类方法相比,该算法具有良好的分类效果。     

基于情绪词的非监督中文情感分类方法研究

情感分类任务旨在识别文本所表达的情感色彩信息(例如,褒或者贬,支持或者反对)。该文提出一种基于情绪词的中文情感分类方法,使用大规模未标记数据和少量情绪词实现情感分类。具体来讲,首先使用情绪词从未标注数据中抽取高正确率的自动标注数据作为训练样本,然后采用半监督学习方法训练分类器进行情感分类。实验表明,该文提出的方法在产品评论与酒店评论两个领域的情感分类任务中取得了较好地分类效果。     

用改进的非监督学习方法加速前馈神经网络的训练

本语文对非学习方法和前馈神经网络的结构进行了一些简单的改进,用改进后的结构和学习方法寝化前馈神经网络的权值,使前馈神经网络的训练速度和逼近精度显著提高。最后本语文通过仿真实例验证了该方法。     

基于神经网络集成的舌苔分类方法

提出一种基于神经网络集成的舌苔自动分类方法。该方法把经单独训练的具有一定差异度的单个BP神经网络加以集成，构成舌苔分类器。试验结果表明，该分类器比现有的舌苔分类方法识别率更高、分类更细、更符合中医舌诊要求。     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

一种新的基于ART的支持向量机多类分类方法

基于支持向量机的二值分类原理，提出了一种由自适应共振理论方法与支持向量机相结合的改进型多类分类方法,此方法改进了传统支持向量机的一对一多类分类方法；对于每个二值分类器的结果进行决策时没有采用投票原则，而是采用自适应共振理论网络融合二值分类器的输出信息，从而克服了当分类器输出结果接近于O时投票法容易出现决策错误和票数相同时无法决策的不足．此算法已应用于玻璃的分类．仿真实验证明，此方法具有较好的分类效果．     

神经网络ART模型在故障诊断中的应用

讨论了目前最成功的一种无导师神经网络模型──自适应谐振理论ＡＲＴ。分析了ＡＲＴ的工作原理，给出了ＡＲＴ的具体算法（已在ＰＣ－４８６上用Ｃ语言实现）；指出了ＡＲＴ的实质，并以“有轨自动物料搬运小车系统”为例详述了ＡＲＴ在故障诊断中的工作过程，获得了很好的结果。     

一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classification approach based on evolutionary neural networks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在     

ART2wNF及其稳定性——可塑性动态平衡性能分析

稳定性-可塑性两难问题的核心是系统如何在不削弱或忘记已学习模式的同时, 自适应地学习新事物. 目前公认自适应谐振理论(Adaptive resonance theory, ART) 能够部分解决稳定性-可塑性两难问题, 但依然存在学习受样本输入顺序影响大, 且存在学习中心渐变样本时, 带来的所谓模式漂移的问题. 受进化生物学关于人类学习的幼态延续特征的启发, 本文为每个F2层节点配备活跃度指示器λ, 并将其反馈回F1层参与STM(Short term memory) 向量的计算, 使这种新型ART2 网络在行为特征上具备幼态延续的显著特征, 本文称之为ART2wNF (Adaptive resonance theory with neoteny feature).论文从理论上证明算法的可行性, 并通过分析对随机生成样本集合的学习过程, 对比了ART2wNF 算法与常规ART2 网络在可塑性、稳定性方面的差异以及ART2wNF 在克服样本输入顺序影响等方面的优势.     

基于Spiking神经网络的脑运动分类研究

针对大脑运动皮层群体神经元信号与运动行为关系的分析,提出一种Spiking神经网络（SNN）的分类算法。SNN的网络连接权值与突触连接的延时参数采用改进的粒子群优化方法（PSO）进行训练。仿真结果表明SNN分类效果优于群体向量法（PV）分类效果,有利于实现性能更高的用于神经康复的脑机接口系统。     

基于多主体的项目开发虚拟组织

从ontology的建立、任务的语义描述到主体结构、程序结构、心智模型的构造,建立了一个基于多主体技术的分布式虚拟协作系统,提出一种以Fuzzy ART网络为心智模型的反应主体结构,从而赋予主体在动态环境下的自适应性、竞争性、自组织性和集聚能力。所提方法在一个多主体平台上加以实现,运行结果证明了这一结构的合理性,也显示了ART网络在动态环境中的自组织和无监督学习能力。     

基于自适应多任务卷积神经网络的脑网络分类方法

脑网络分类是脑科学研究中的一项重要课题.近年来,基于卷积神经网络的脑网络分类方法已经成为一个前沿热点.然而,目前仍难以对数据维度高、样本量小的脑网络数据进行精准分类.由于不同人群的临床表型与其脑网络差异存在着一定的依存关系,极有可能为脑网络分类提供辅助信息,故提出一种新的基于自适应多任务卷积神经网络的脑网络分类方法.该方法引入临床表型预测作为辅助任务,通过多任务卷积神经网络的共享表示机制来为脑网络分类提供有用信息;同时为了降低实验成本和人工操作带来的误差,提出了一种新的自适应方法来代替人工调整多任务学习中各个子任务的权重.在ABIDE I(autism brain imaging data exchange I)数据集上的实验结果表明：引入临床表型预测任务的多任务卷积神经网络能够获得更好的脑网络分类结果,而且自适应多任务学习方法能够进一步提升脑网络的分类性能.     

Feature Analysis of Unsupervised Learning for Multi-task Classification Using Convolutional Neural Network

This study analyzes the characteristics of unsupervised feature learning using a convolutional neural network (CNN) to investigate its efficiency for multi-task classification and compare it to supervised learning features. We keep the conventional CNN structure and introduce modifications into the convolutional auto-encoder design to accommodate a subsampling layer and make a fair comparison. Moreover, we introduce non-maximum suppression and dropout for a better feature extraction and to impose sparsity constraints. The experimental results indicate the effectiveness of our sparsity constraints. We also analyze the efficiency of unsupervised learning features using the t-SNE and variance ratio. The experimental results show that the feature representation obtained in unsupervised learning is more advantageous for multi-task learning than that obtained in supervised learning.