语义信息处理及神经网模型

本文从语言信息的角度全面分析了当前语义形式化的复杂性和困难性。在此基础上系统地提出了语言信息度量化的概念, 进而阐明了抽象数学模型的语义分析方法和模型构造原则。在构造了一种语义处理神经网模型基础上, 应用其并行、非线性、非逻辑的处理机制, 分析处理了两个基于语用知识的自动分词难题。本文对一些新的概念“ 隐式知识表达” 、“语法信息” 、“ 语义信息” 、“ 语用信息” 等进行了定义和描述。神经网机理和仿真结果表明这种理论具有许多新的特点和长处。     

带有神经网的文字识别系统

1.引言 神经计算学(Neurocomputing)是近年被神经学工作者、计算机、数学工作者极为重视的一门新兴科学,它将根据当前为止人们所了解到的生物神经的基本原理、结合电子技术和其它物理方法以及数学知识,企图解决现代计算机较难解决的一些信息处理、模式识别等问题。另外也企图通过对实际问题的模拟,反过来认识和发展神经学,解剖学。 在神经计算学中所描述的神经网包括大量的处理单元和联接这些单元的链,处理单     

神经网的提示学习

本文提出了一种新的多层神经网的学习方法。这种学习方法借助提示信息加速学习过程。其次也讨论了如何获取提示信息和如何将提示信息并入学习算法。     

NNSPC神经网计算机的实现与评价

本文介绍了ＮＮＳＰＣ多计算机的结构以及实际不组装的八个处理节点的模型机，同时根据模型机得到的数据对本设计方案进行了评价。     

时态逼近关系及时态逻辑的扩充

本文提出了时态逼近关系，并给出了命题不确定性时态关系的一种分类，在Ｓｈｏｈａｍ的时态逻辑基础上，对命题和一阶两种情况，提出了能描述不确定性时态关系，基于时间点和（点对构成的）时间区间的时态逻辑（定性与定量相结合）．此外，还给出了在非确定性时态关系下用于描述命题类型的一些命题时态性质．     

不确定时态信息表示及时态运算的扩展

时态信息表示和查询是时态数据库的研究重点,但现有的时态数据库模型在处理不确定时态信息方面仍存在较大困难。而现实生活中很多时态信息都是不确定的,故提出了一种不确定时态信息的表示方法,并扩展时态运算使其支持不确定时态信息的处理和查询,从而扩展了时态数据库的适用范围。     

基于时态数据类型的时态数据索引方法

在系统中引入时态数据类型,使得在关系数据库系统中能对时态数据信息进行方便有效的管理。该文给出了一个基于时态数据类型的时态索引方法：MAP21*3B+-Tree方法,通过对时态数据的各个域分别建立索引,实现双时态数据库的各种时态查询。     

基于径向基神经网的消失点估计

基于图邓列的三维重建是当前计算机视觉领域中的一个热点,同时也是基于三维环境信息的移动机器人导航和虚拟环境几何模型自动构造的重要步骤。在过去十年中,有许多基于图像序列进行三维重建算法被提出。     

一种前馈神经网的快速算法

前馈神经网已经被大量用于非线性信号处理． 经典反向传播算法是一种标准的前馈网络学习算法,但是,对许多应用,反向传播算法的收 敛速度却很慢．本文根据对网络的非线性单元进行线性化而提出一种新的算法,该算法在非 线性信号处理中在精度和收敛速度方面都优于传统的反向传播算法．     

基于模糊粗糙模型的粗神经网络建模方法研究

提出一种基于模糊粗糙模型的粗神经网络建模(FRM_RNN_M)方法. 该方法通过自适应G-K聚类实现输入输出积空间的模糊划分, 进而在聚类数和约简属性搜索的基础上, 提取优化的模糊粗糙模型(Fuzzy rough model, FRM), 并在融合神经网络后实现粗神经网络建模. 分类实验表明, FRM_RNN_M的分类性能优于传统贝叶斯和LVQ方法, 而且比单纯的FRM模型具有更强的综合决策能力, 和传统的粗逻辑神经网络(Rough logic neural network, RLNN)相比, FRM_RNN_M方法建立的神经网络结构精简, 收敛速度快, 具有更强的泛化能力.     

基于粗糙神经网络的航空电子设备故障预测研究

为降低装备全寿命周期费用、提高经济可承受性、预防灾难性事故的发生,开展了航空电子设备故障预测技术研究;采用粗糙集理论改进神经元结构,以粗糙变量为神经元的输入,每个神经元的上近似元和下近似元分别代表粗糙集的上下近似,以交叉连接方式构造粗糙神经网络,用以实际设备特征参数的跟踪预测;研究结果表明,粗糙神经网络可以较准确地预测故障发生的时间,且较BP神经网络预测性能有较大改善;该方法对于航空电子设备的维护保障具有一定的理论价值和现实意义。     

一种粗糙小波网络分类器及应用

提出了一种粗糙小波网络分类器的模型。其过程为:利用粗糙集理论获取分类知识,根据训练样本属性值离散化、属性约简和值约简来构造粗糙小波网络分类器。该分类器可以有效地克服粗糙集规则匹配方法抗噪声能力和规则泛化能力差的缺点;同时可简化小波网络的结构,加快网络的训练速度。并详细介绍了该分类器用于入侵数据识别的步骤和仿真实验结果。     

基于粗糙集的神经网络函数逼近理论

首先给出了神经网络函数在粗糙集意义下的下、上近似函数 ,从函数逼近的观点出发分析 ,得出对任一神经网络函数在粗糙集意义下 ,都可根据学习样本点维数找到两个关联的离散函数来逼近它 ,并且证明了在粗糙集意义下逼近的过程是可行的。该结论有助于理解粗糙集函数与神经网络函数之间的联系 ,为今后进一步研究在粗糙集意义下神经网络函数整体逼近理论及学习算法的描述奠定了基础。     

基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.     

粗神经网络及其在数据融合中的应用

给出一种新的神经网络－－粗神经网络结构,并给出了基于粗神经网络的多传感器数据融合模型,阐述了用于数据融合的粗神经网络的结构和训练方法。分析和仿真结果表明,新模型不仅能解决传统模型所能解决的问题,而且能解决传感器输出为二值或一个范围的多传感器数据融合问题。     

基于模糊粗糙神经网络的发酵过程建模

对于发酵这样一个非线性的动态过程,由于其复杂性和在线传感器的缺乏,使得过程中的一些重要状态变量难以在线测量,从而给发酵过程的优化柠制带来了极大的困难,为此,结合模糊粗糙集和智能控制的理论,充分利用模糊粗糙集和神经网络两者的优点,提出了一种新型的网络-模糊粗糙神经网络实现对发酵过程的建模和状态估计,结果表明陵网络模型的结构简单,可解释性强。收敛速度快,能够较为准确地拟合过程的动态特性,预估能力较强。     

Rough Neural Network of Variable Precision

In this paper, a new method is described to construct rough neural networks. On the base of rough set model, we present a method to develop rough neural network of variable precision and train it using Levenberg–Marquart algorithm. The method is particularly attractive because it combines the advantages of both rough logic networks and neural networks. In our system, weak generalization in rough sets theory and complexity in neural network are avoided while anti-jamming performance is highly improved and the network structure is also simplified. In experiments, the network is applied to classification of remote sensing images. The results show that our method is more effective and successful than application of rough sets and neural network separately.     

基于RBF神经网络与粗糙集的数据挖掘算法

随着数据挖掘技术的兴起,为了提高数据挖掘的准确性,提出了很多数据挖掘算法.神经网络与粗糙集理论结合的数据挖掘算法一直是基于粗糙集理论数据挖掘研究的热点之一.文中提出利用RBF神经网络收敛速度快、泛化能力强等优势先对数据进行训练,优化数据后传递给粗糙集进行数据挖掘的新思路.并通过对比与未经过RBF神经网络训练的数据挖掘结果,发现RBF神经网络与粗糙集结合算法挖掘的精度有明显的提高,证明了RBF神经网络与粗糙集理论结合的数据挖掘算法是有效的、可行的.     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。