集成学习在短文本分类中的应用研究

为了进一步提高基于深度神经网络短文本分类性能,提出将集成学习方法应用于5种不同的神经网络文本分类器,即卷积神经网络、双向长短时记忆网络、卷积循环神经网络、循环卷积神经网络、分层注意力机制神经网络,分别对两种集成学习方法(Bagging,Stacking)进行了测试。实验结果表明:将多个神经网络短文本分类器进行集成的分类性能要优于单一文本分类模型;进一步两两集成的实验验证了单个模型对短文本分类性能的贡献率。     

基于e-修正神经网络的直接自适应控制设计

针对一般非线性不确定系统设计了一种e-修正神经网络直接自适应控制方法。首先采用虚拟控制量的方法,并将其分解成参考模型输出、线性动态补偿输出与神经网络自适应输出三项;然后针对传统σ-修正神经网络在权值更新时的不足,设计了一种基于e-修正方法的权值自适应更新律,并设计了输出反馈误差观测器用以对神经网络进行训练;最后对基于σ-修正与e-修正两种权值自适应更新律进行仿真对比。仿真结果表明基于e-修正神经网络方法在跟踪误差、不确定性逼近等效果上均优于基于σ-修正神经网络方法。     

基于神经网络的无线传感器网络故障诊断方法

采用神经网络技术对无线传感器网络进行故障诊断是一种有效的方式,目前利用粗糙集中的故障诊断方法可以简化训练样本,从而达到降低神经网络的复杂性,减少神经网络的训练时间,提高故障诊断效率。结合粗糙集与神经网络理论方法,提出了基于神经网络的无线传感器网络的故障诊断方法。     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

一种投票权值调整的神经网络集成增量学习方法

针对神经网络集成增量学习中集成输出投票权值的设定问题,给出了一种投票权值调整的神经网络集成增量学习方法。该方法定义了神经网络集成中子神经网络训练集的类核函数,通过计算待识样本与类核函数之间的核函数距离得到集成输出中子神经网络的投票权值。这种投票权值设定方法可以根据子神经网络分类器对待识样本的分类性能自适应地调整集成输出的投票权值,是一种更加合理的集成输出投票权值设定方法。仿真实验表明,这种投票权值调整的神经网络集成增量学习方法比投票权值固定的方法增量学习性能更优。      

基于改进型PSO-BP神经网络算法的水质评价

环境污染现在是大众所关注的一个重要的问题,需要拿出科学的方法和手段应对这个问题。文中提出了一种改进型的PSO-BP神经网络相结合的环境质量评价方法,以大理的洱海水域为例,选取了实际的水质监测数据作为样本,进行了系统的分析。通过对传统的BP神经网络法、PSO-BP神经网络和改进型PSO-BP算法三种方法应用结果的对比,本文得出改进的PSO-BP神经网络方法在相同精度下拥有更高的效率。     

ATM组播交换的神经网络调度方法

本文提出了一种新的ATM组播交换（Multicast Switching）神经网络调度方法。ATM组播交换的神经网络调度方法国外已有文献提出，但其神经网络的能量函数结构复杂难以用VLSI实现。我们提出的神经网络能量函数结构简单，其神经网络控制器容易实现。文中给出了神经网络的调度算法、能量函数及其神经网络控制器的实现方法。通过计算机模拟，证明该方法是非常有效的。     

基于SOM-BP云神经网络的计算机网络对抗效能评估

构建了一种计算机网络对抗效能评估指标体系,提出一种云理论和神经网络相结合的SOM-BP云神经网络评估方法,该方法不仅具有神经网络的学习、记忆能力,也具备云理论的模糊性和随机性.将此方法应用到计算机网络对抗效能评估中所获得实验结果表明:该方法不仅迭代次数少,收敛速度快,而且准确率高.     

基于神经网络的雷达抗干扰方法综述

针对目前雷达抗干扰方法存在的局限性,提出了将神经网络技术应用于雷达抗干扰的研究思路。首先介绍了在雷达抗干扰领域应用比较成功的3种神经网络模型:BP网络、RBF网络和Kohonen网络;然后概括了神经网络应用于雷达抗干扰的3种主要途径:神经网络用于建模、用于特征提取和用于分类;最后对下一步的研究进行了总结与展望,分析了神经网络与其他技术相结合在雷达抗干扰中的应用前景。     

约束非线性规划问题的L1精确罚函数神经网络方法

 优化计算是神经网络的一个重要应用领域.针对已有神经网络求解约束非线性规划问题时,不能兼顾网络规模、计算效率、精确性的问题,本文提出了一种基于精确罚函数的约束非线性规划问题的神经网络计算方法.将约束非线性规划问题的一种L₁精确罚函数作为神经网络的能量函数,利用该能量函数的最速下降原理构造了神经网络的动力学方程并给出了其稳定收敛性说明.理论分析及算例仿真表明,所提出神经网络动力学方程能够全局、精确收敛于原规划问题的一个局部最优解.特别是,该神经网络动力学方程易于映射为动态电路,是一种工程优化问题的实时计算方法.     

使用不同置信级训练样本的神经网络学习方法

针对含不同置信级样本的模型拟合问题,该文提出了一种基于神经网络的二次学习方法。文中指出真实模型是实验模型的一种变异,提出逼近真实模型期望值的神经网络,是融合先验样本和真实样本的最佳网络。首先,以先验样本为训练样本进行第1次神经网络学习,并计算取决于硬点信息的软点误差容量区间;然后,同时将先验样本和真实样本作为训练样本,利用软点误差容量区间和硬点误差敏感系数,对神经网络训练过程中输入/目标对的误差进行修改,通过第2次学习得到既能精确拟合真实样本,又能最大化利用先验样本信息的综合网络。与基于知识的神经网络(KBNN)相比,该方法更加简单,可操控性更强并具有更加明确的逻辑意义。     

Utilization of multiple polarization data for aerospace targetidentification

Two identification approaches, the matching score (MS) method and the neural network (NN) method, and multiple polarization data are utilized to identify aerospace targets. A majority vote rule, a maximum isolation distance rule, and a combination of these two rules are proposed to determine a target class when four polarization combinations data are available. It is found that by combining the two decision rules, the recognition rates can be greatly improved. The effect of Gaussian noise on the recognition rates with the MS method and the NN method is also studied. If only the factor of Gaussian noise is considered, it is found that the MS method is more robust to Gaussian noise contamination than the NN method when the network is trained only by the uncontaminated range profiles     

神经网络用于反演微波亮度温度分布

将神经网络用于反演目标的微波亮度温度分布,提出了视在温度的神经网络迭代反演法。该方法利用神经网络正向模型提供反演误差对输入的梯度信息,利用该梯度信息进行迭代得到最优反演结果。利用该方法对水面在35GHz频段的视在温度进行反演所得的结果显示,该方法优于Holms反演法及HFR反演法。从视在温度中剔除散射辐射温度得到目标的亮度温度。     

基于模糊神经网络的网络业务量预测研究

利用神经网络(NN)的自学习能力以及模糊逻辑的动态性和及时性等特点,将模糊逻辑和 NN 有机地结合起来,构造出了五层模糊神经网络(FNN),并用训练 NN 的相应学习算法-BP 算法来训练网络。本文将 FNN 用于网络自相似业务预测研究中,并与单纯的 NN 算法相比较。仿真结果表明,FNN 能很好地预测复杂网络业务,与传统的 NN 算法相比,不仅收敛速度快,且得到更好的预测效果。本文为复杂网络业务流量预测研究提供了一种有效途径。     

基于时空推理网络的空中红外目标抗干扰识别算法

复杂空战背景下的抗红外诱饵干扰技术是红外空空导弹的核心技术之一。针对传统静态贝叶斯网络不能表达序列图像中特征变量在时序上动态变化关系,提出了一种符合人类视觉推理识别过程的时空关联推理网络抗干扰识别算法。首先,提出的时空关联推理网络在考虑特征空间约束关系的基础上,引入了特征变量时间约束的先验知识,建立表达特征时空关联的目标推理网络识别模型,从而增强了序列图像目标识别的稳定性;其次,通过仿真数据构建样本集,离线训练学习时空关联推理网络结构及特征跳转概率参数,确定概率推理网络识别离线模型;最后,依据测试数据,结合推理识别网络模型进行概率推理,实现对目标的识别分类。实验结果表明,在伴随红外诱饵干扰投放的条件下,基于时空关联推理网络的抗干扰识别率达到94%,比静态贝叶斯网络抗干扰识别算法高3%,有效提升了目标识别的稳定性。     

Intracranial Epileptic Seizures Detection Based on an Optimized Neural Network Classifier

Automatic identification of intracranial electroencephalogram (iEEG) signals has become more and more important in the field of medical diagnostics. In this paper, an optimized neural network classifier is proposed based on an improved feature extraction method for the identification of iEEG epileptic seizures. Four kinds of entropy, Sample entropy, Approximate entropy, Shannon entropy, Log energy entropy are extracted from the database as the feature vectors of Neural network (NN) during the identification process. Four kinds of classification tasks, namely Pre-ictal v Post-ictal (CD), Pre-ictal v Epileptic (CE), Post-ictal v Epileptic (DE), Pre-ictal v Post-ictal v Epileptic (CDE), are used to test the effect of our classification method. The experimental results show that our algorithm achieves higher performance in all tasks than previous algorithms. The effect of hidden layer nodes number is investigated by a constructive approach named growth method. We obtain the optimized number ranges of hidden layer nodes for the binary classification problems CD, CE, DE, and the multitask classification problem CDE, respectively.     

PIER: an early treatment of inter-process interactions

The period of maximum profitability in semiconductor products is short and occurs early in production, thereby forcing the industry to continually strive to reduce the development time for new process flows. Described in this paper is the Process Integration Engineers' Resource (PIER), currently being developed at Stanford University, which is intended to assist the process integration engineer in the specification of process targets and the timely completion of process integration. The approach taken by this software tool is based on an early analysis of inter-process interactions and aids in the scheduling of process module development. The tool is employed prior to complete target specification, and a qualitative simulation of the skeletal process flow is used to identify all modeled inter-process interactions for an arbitrary flow. Predefined interaction models and the simulated wafer conditions enable this interaction identification. A semantic network representing the critical dependencies between processes resulting from the Identified interactions is then constructed. An understanding of the interactions and process dependencies is expected to improve the development of the flow in four ways: (1) potential flow design errors are more easily identified before process target specification; (2) more complete information is provided to the unit process engineers; (3) ramifications of subsequent process changes are identified; and (4) a partially ordered graph of processes allows for improved process sequences for the flow's target specification and development     

基于计算机视觉的电信运营商智能巡检机器人技术研究

本文构建了面向电信运营商机房配电设备的智能巡检机器人及视觉检测系统,具有环境感知、行为控制、导航规划与动态决策等功能,通过传感器感知环境信息和自身的速度、位置、姿态等信息,处理感知信息并作出正确的决策和行为控制.设计和实施了一种基于RPN+SVM级联网络的运营商机房配电设备异常检测方法,对深度学习模型Faster-RC...     

基于动态贝叶斯网络的战斗目标综合推理识别

针对空战战场环境下的目标可靠识别,提出了基于动态贝叶斯网络的战斗目标综合推理识别方法.分析了目标属性的多层次及状态变量关系,提出了层次化的战斗识别动态贝叶斯网络拓扑结构及其参数设定方法,并运用时间片联合树算法进行不确定性动态推理,实现动态的目标属性判断与识别.仿真结果给出了目标的多层次属性信息,验证了模型的有效性.     

Combination of Fitness-Mated Lion Algorithm with Neural Network for Optimal Query Ordering Data Aggregation Model in WSN

Query processing can be briefly defined as a database that comprises of an organized collection of data for one or more users either in digital form or in analog form such that it can portray exactly. A Wireless Sensor Network (WSN) is a specialized network of minimum cost, and power sensor nodes that can be described as the ability of performing some processing, gathering sensory information and communicating with each other. Query ordering with data aggregation is the process of scheduling of the nodes to receive the useful data from sensors. Data aggregation is considered as one of the fundamental processing procedures for saving the energy. In WSN data aggregation is an effective way to save the limited resources. This paper proposes a novel query-based data aggregation model with the aid of intelligent techniques. The framing of the query order takes place and the frames are ranked on the basis of a multi-objective function. The newly developed multi-objective function includes Latency, Throughput, and Data freshness. Initially, the solution corresponding to query order is trained in NN using the proposed Fitness-Mated Lion Algorithm (FM-LA). The optimally generated query order from NN is further given for second-level solution generation, which is again applied to FM-LA for subsequent query order optimization. Hence the two-stage optimization process with NN for query ordering is compared over the conventional methods in terms of performance measures like Latency, throughput, and data freshness. Hence, substantiated performance and comparative analysis validate the improved performance of the proposed model.