一种基于数据并行的过程神经网络训练算法

针对过程神经网络时空聚合运算机制复杂、学习周期长的问题,提出了一种基于数据并行的过程神经网络训练算法。该方法基于梯度下降的批处理训练方式,应用MPI并行模式进行算法设计,在局域网内实现多台计算机的机群并行计算。文中给出了基于数据并行的过程神经网络训练算法和实现机制,对不同规模的训练函数样本集和进程数进行了对比实验,并对加速比、并行效率等算法性质进行了分析。实验结果表明,根据网络和样本规模适当选取并行粒度,算法可较大提高过程神经网络的训练效率。     

基于BSP模型的并行神经网络训练算法

提出了一种适合集群计算机上实现的基于BSP模型的并行神经网络训练算法，分析了其他价函数和加速比，在作者研制的集群计算机上进行了实现和测试，结果表明：当问题规模比较大时，此并行算法能区委了的加速比。     

一种基于最优分段函数逼近的过程神经网络训练算法

提出了一种基于最优分段函数逼近的过程神经网络学习算法。将网络时变输入信号和连接权在一定精度下表示为分段函数的拟合形式,根据最小均方误差准则,构建 PN N基于函数基展开的训练算法。选择低阶分段函数作为基函数,利用其良好的柔韧逼近和光滑可导性质,快速实现网络待定参数对函数样本的自适应学习。网络训练中,只需迭代调整分段函数的连接系数,可有效减少模型中的参数冗余、提高PNN对实际问题的建模能力。     

基于分段线性插值的过程神经网络训练

过程神经元网络的输入为时变连续函数,不能直接输入离散样本。针对该问题,提出一种基于分段线性插值函数的过程神经网络训练方法。将样本函数、过程神经元权函数的离散化数据插值为分段表示的线性函数,计算样本函数与权值函数乘积在给定采样区间上的积分,将此积分值提交给网络的隐层过程神经元,并计算网络输出。实验结果证明了该方法的有效性。     

一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法

针对时变输入/输出过程神经网络的训练问题,提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相结合的学习方法。综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质,基于PNN训练目标函数,构建两种算法相混合的进化寻优机制,通过适应度评估和优化效率分析自适应调节混沌遗传与粒子群算法的切换,实现网络参数在可行解空间的全局优化求解。实验结果表明,该算法较大提高了PNN的训练效率。     

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。     

一种基于MPI的并行体绘制算法

介绍了基于MPI并行程序开发平台实现的一种三维重建并行处理算法。算法采用了Master-Slave并行计算模型，针对射线投射方法的特点，为减少运算时间，选择对图像空间进行任务划分的策略，并用任务池方法实现了动态负载平衡。通过对虚拟中国人女性一号(VCH-FI)的头部和脚部数据集的重建，表明该算法在任务规模和节点规模上具有较好的可扩展性。     

一种基于DHT的实数插值并行新算法

提出了实数插值并行算法:采用一种高效优化的1-D插值替代经典公式插值,实现2-D插值,使得运算简便迅速,其计算模式类似于“流水“运行,不需要数据记录和数据暂存设施;而且插值运算时间的复杂性同插值单元因子的复杂性互不相关;每个插值计算周期持续时间相当于执行一个相应的加法运算和乘法运算时间;这为实现高速计算、存储共享的并行处理硬件设施提供了设计依据。     

一种基于动态权重的神经网络训练算法

提出一种基于动态粒子群算法的神经网络训练方法。神经网络权值选择是否合适直接关系到其非线性拟合能力,通过引入动态粒子群算法对神经网络进行训练,对神经网络各层连接权值进行优化。经过函数测试表明,相比粒子群算法,动态柱子群算法收敛速度更快且不易陷入局部,能更快更合理地训练神经网络从而优化网络连接权值。     

一种基于LM的量子神经网络训练算法

针对量子神经网络的训练结果易陷入局部极小值的问题,将Levenberg-Marquardt (LM)算法引入到原训练算法中,从而提高网络收敛速度与训练效果.并通过改进原训练算法的速代步骤,解决训练过程中网络权值与量子间隔不同的目标函数相互冲突引起的输出均方误差和波动的问题.实验结果表明,相比原训练算法,引入LM后的训练算法可以大幅减少迭代次数,显著降低网络收敛值,提高量子神经网络的分类效果.     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

基于神经网络的特征结构并行提取算法研究

为并行实时地提取数据协方差矩阵的信号特征结构,从特征结构并行提取的约束优化问题表示入手,利用梯度方法和迭代法构建了可实时并行提取信号特征向量矩阵的直接神经网络求解法和基于能量函数的神经网络求解算法,并形成了相关迭代学习算法.理论分析表明当数据样本足够大时,算法的迭代结果就是数据协方差矩阵信号特征结构的一个良好估计,同时计算机仿真亦验证了算法的有效性.另外,仿真试验亦表明可以通过调节加权矩阵D的对角元来控制算法的收敛速度.     

基于遗传神经网络的数据清洗方法

现实世界中的数据常常是有噪声、不完全和不一致的,数据清洗能够帮助改善数据的质量,进而帮助提高数据挖掘的有效性和准确性。该文提出了一种基于遗传神经网络的数据清洗模型,它充分利用了神经网络的非线性映射和遗传算法的全局优化特性。实验证明,这种方法的可行性、有效性及处理精度都比较高。     

基于神经网络的高效音频数据压缩方案

介绍了BP神经网络的基本原理和算法,并通过构造特殊的映射关系,精心设计的BP神经网络,获得一套基于神经网络的高效无损音频数据压缩方案。通过试验证明该方案行之有效,并且压缩比为7：1。     

生物序列模式分析中神经网络的并行训练策略

神经网络作为模式识别、数据挖掘等方面的有效工具,已被广泛应用到生物序列的模式分析中,而生物序列的超大规模、超长同时也给神经网络提出了挑战,即必须解决训练时间过长、效率低下的问题。本文提出了若干适合生物应用的神经网络并行训练策略,并按其神经网络粒度进行分类,同时分析和比较了各种策略的代价。     

模糊神经网络在商业规则数据挖掘中的应用*

利用模糊系统对规则提取的优势弥补了神经网络可解释性差的缺点,并使用模糊神经网络来进行商业规则数据挖掘。通过建立模糊神经网络对训练好的网络进行剪裁,最后提取模糊商业规则,说明了商业规则数据挖掘的全过程,并对其中重点算法进行了描述和改进。给出的实例证明了该方法的有效性。     

面向对象的遗传算法及其在神经网络辅助设计中的应用

在现有的遗传算法的基础上,采用面向对象技术设计了面向对象的遗传算法,建立了遗传算法的类层次。这种方法改变了在传统的遗传算法中各个函数之间只有参数的传递,而没有代码的继承性的状况从概念上提高了软件的可重用性。该方法在人工神经网络的辅助设计问题中的应用表明,这一算法由于采用面向对象的分析与设计方法,从而具有比传统的遗传算法更好的通用性,用户可以更方便地设计和实现自己的编码方案和遗传算子,大大提高了软件的可重用性。     

基于神经网络的分类算法的改进

大多分类问题由于各特征之间存在交互性等不确定性问题,使一般的神经网络分类算法难以取得好的分类效果。该文通过构造新特征,优化了神经网络的输入,并给出一个优化的基于神经网络的分类算法。文章还引入了分类问题的离散度的概念。并结合实例进行分析。