BP网络不平衡训练样本集的有效学习算法

分析了ＢＰ网络标准反传学习算法对不平衡样本集训练速度慢的原因，研究了如何改进其学习算法来加速训练速度，并通过实验对上述理论进行验证。     

针对不平衡数据集的维数约简方法

针对不平衡数据的分类问题,本文提出了一种新的方法,将特征选择应用在不平衡数据集中,首先对数据集进行预处理,然后从特征选择的角度出发,选择具有较强能力代表数据集的特征,简化数据的同时也提高了分类性能。通过实验表明,该方法能够有效地提高分类精度。     

基于遗传算法的BP网络学习算法研究

介绍了遗传算法和标准BP算法及其改进形式,指出遗传算法和BP算法各自的优缺点.利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了传统BP神经网络的计算精度和收敛速度.最后进行了仿真实验,结果表明,该方法不仅收敛速度快,而且易达到最优解,具有很高的实用价值.     

一种基于聚类的不平衡数据分类算法

针对不平衡数据分类问题,在数据层面对不平衡数据集进行预处理,即对多数类数据进行先聚类,后欠采样的方式,减少多数类数据的数目,降低数据集的不平衡度,之后再用KNN算法对其进行分类。实验结果表明,对数据层面的预处理,使少数类数据的分类效果得到了提升。     

不平衡数据集下基于自适应加权Bagging-GBDT算法的磁盘故障预测模型

针对磁盘数据集中正负样本数目严重不平衡导致基于机器学习的分类算法易出现故障预测准确率低的问题,本文提出一种基于自适应加权Bagging-GBDT算法的磁盘故障预测模型.首先,提出基于聚类的分层欠采样方法对健康磁盘样本进行多次抽样,解决随机欠采样方法易丢弃潜在有用样本的问题;其次,将每次采样后样本与全部故障磁盘样本组合得到多个样本子集,通过训练这些子集建立多个预测精度较高的GBDT子分类模型;最后,根据待测点邻域样本类别自适应确定各子模型权重,据此通过加权硬投票集成最终的磁盘故障预测模型.在8组KEEL不平衡数据集上实验结果表明,与现有典型不平衡学习算法相比,少数类的召回率平均提升了9.46%;同时在磁盘公开数据集和某调度系统磁盘数据上对比验证了该方法在故障预测率上的先进性.     

BP网络局部学习速率自适应SA算法的改进

Silva-Almeida(SA)算法是最好的局部学习速率自适应算法之一,在对SA算法进行研究分析的基础上,提出 两项改进措施,使改进后的SA算法较原SA算法震荡现象大大减弱,训练速率有较大加快,训练精度有较大提高。在仿 真实验中,改进的SA算法在一定程度上优于RPROP算法。     

高性能的MIMO-OFDM接收机IQ不平衡补偿新算法

在分析MIMO-OFDM接收机IQ不平衡信号模型基础上,以OFDM物理层为背景提出了一种新的时频结合的MIMO-OFDM接收机IQ不平衡补偿算法,即先在时域对IQ不平衡预补偿,然后在频域对残余的IQ不平衡进行校正.仿真结果表明:本文所提算法性能优于传统的频域补偿算法,该算法在AWGN信道下能达到理想性能,在多径衰落信道下当误比特率等于10-3时性能损失可以减小到0.5dB左右.     

用于不平衡节点分类的集成图神经网络模型

为解决图神经网络（GNN）上不平衡节点的分类问题,提出一种Bagging集成模型,该模型使用图卷积网络（GCN）作为基分类器。在该模型中,先对若干基分类器进行并行训练,然后使用多数投票的方式对这些基分类器的预测结果进行集成,最终完成分类任务。实验结果表明,该文提出的模型显著优于其他现有基线方法,验证了其在不平衡节点分类中的有效性。     

基于遗传算法和BP算法的多层感知机杂交训练算法

基于梯度下降的神经网络训练算法易于陷入局部最小,从而使网络不能对输入模式进行准确分类。本文提出综合遗传算法和BP算法的杂交算法GA-QP,它结合遗传算法的全局搜索特性和BP的局部收敛特性,实现对神经网络的有效训练。实验表明该算法优于BP算法,实验结果令人满意。     

径向基函数网络的ABS投影学习算法

Broomhead(1988),Chen(1991)等人提出的RBF网络的学习算法都是基于传统的LMS算法,因此具有一定的局限性。本文提出了一种新的RBF网络的学习算法ABS投影学习算法,它是一种直接的学习算法。计算机模拟的结果表明,它具有学习效率高,识别率高和适用范围广的优点。     

一种概率映射网络的EM训练算法

文中提出一种概率映射网络(PMN)的EM(Expectation Maximization)训练算法。PMN为一个四层前馈网。它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,把输入的样本模式经网络变换为输出的分类判决,其网络节点对应于贝叶斯后验概率公式的各个变量。 此PMN用高斯核函数作为密度函数,网络参数训练由EM算法实现,其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明此网络及其学习算法在分类应用中的有效性。     

用于数字式细胞神经网络设计的学习算法

本文针对数字式细胞神经网络(DCNN)的应用,给出了DCNN模板的设计方法,即不等式构造法,并提出一个基于松弛法的DCNN有教师学习算法,为DCNN的设计提供了理论根据。在连通片检测等应用中的模拟表明了算法的有效性和正确性。     

求解多项式实零点问题的神经网络法

本文给出一类适合于求解多项式实零点问题的神经网络。理论分析和模拟结果都表明,这类网络可实时求解多项式实零点问题。     

一个基于神经网络的航空照片自动目标识别算法

针对航空照片中自动目标识别的复杂性,该文提出了一种基于神经网络的自动目标识别算法,算法包括检测和虚警排除两个阶段。检测阶段是在整幅区域中进行快速搜寻,找出所有可能的目标;虚警排除阶段是对检测阶段得到的结果进行进一步的验证,在尽可能保留全部真目标的前提下,将伪目标排除。实验结果证明了算法的可行性。     

非线性网络Volterra级数表示的代数求解算法

本文基于非线性网络Volterra级数表示的辅助代数方法,提出了非线性网络n阶Volterra核和n阶非线性传递函数的代数编列算法。求取了非线性网络的规范形、三角形、对称形n阶Volterra核及相应的n阶非线性传递函数,同时也降低了非线性网络Volterra级数表示编列算法的复杂性。     

基于遗传算法设计和训练人工神经网络的方法

提出了一种基于遗传算法的人工神经网络设计和训练方法—NNDT,同时训练网络的拓扑结构和连接权重,提出了一种结构化网络编码方法,有效地解决了网络拓扑结构和网络编码不能一一对应的问题;使用启发式规则约束网络拓扑结构的变异概率以及变异操作的选择趋势,并使用小生境机制进行拓扑变异保护.实验结果证明了NNDT的有效性和高效性.     

一种训练神经网络的模糊控制方法

提出一种训练神经网络的模糊控制方法，该方法根据样本的分布及网络对该样本的识别率制定模糊规则，以此规则控制网络的训练参数、调整学习率．利用此方法训练出的神经网络收敛快、识别率高．当样本不均衡时，这种方法的优点尤为显著．     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值。融合后的识别率可比毫米波和红外子源提高9.7％到11.3％,因此,该算法是有效可行的。