神经网络分类器的特征提取和优选

结合木质胶合体缺疵质检过程,论述了用类内方差、类间方差,特征相关度三个目标函数综合测度图像特征差异的技术方法,从而实现了对神经网络输入层神经元的优选,降低了网络规模,提高了分类性能.     

神经网络分类器的组合

利用神经网络分类器组合,对手写体数字识别问题进行了研究。通过对同一训练样本集抽取不同的特征集合,从而获得不同的神经网络分类器。对这些分类器的分类结果组合得到最终的分类结果。提出性能函数PF（S,T）用来确定阈值S,T,从而获得错误率与拒识率间的最佳平衡,实验结果表明,此种分类器组合方法能根据不同应用的要求,自动地选取性能函数中的参数,减少分类错误率,提高识别的可靠性。     

神经网络分类器的快速构造算法

使用ＢＰ算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法，先构造决策树，然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长，它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果，本文的算法比用ＢＰ算法训练多层网络要快，而其分类精度不低于用ＢＰ算法训练的多层神经网。     

基于遗传算法和神经网络的特征提取

特征提取是模式识别领域的一个重要的研究方向,特征提取可以提高分类的效率与效果。本文将遗传算法与神经网络结合起来运用于特征提取,对在数据中起显著作用的特征进行筛选,除去冗余和次要特征,得到特征子集。通过对UCI机器学习数据库中的sonar数据进行试验,结果表明可以有效地提取出重要的特征。     

基于卷积神经网络多层特征提取的目标识别

目标识别一直是人工智能领域的热点问题. 为了提高目标识别的效率,提出了基于卷积神经网络多层特征提取的目标识别方法. 该方法将图像输入卷积神经网络进行训练,在网络的每个全连接层分别进行特征提取,将得到的特征依次输入到分类器,对输出结果进行比较. 选取经过修正线性单元relu函数激活的低层全连接层作为特征提取层,比选取高层全连接层特征提取的识别率高. 本文构建了办公用品数据集,实现了基于卷积神经网络多层特征提取的办公用品识别系统. 选择AlexNet卷积神经网络模型的relu6层作为特征选取层,选择最优训练图像数量和最优分类器构建系统,从而证明了该方法的可行性.     

一种基于距离的神经网络分类器的设计方法

本文提出一种基于距离的神经网络分类器的设计方法。用这种方法设计的网络比采用一般BP算法的网络有较快的收敛速度。这种网络也为理解三层网络的映射能力、记忆容量及隐节点的设置等问题提供了很好的启发和帮助。     

垃圾图像判别中的特征提取与选择研究*

对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征,分析了特征的优缺点。结合分类学习算法、仿真实验结果,对已有的主要特征选择和分析方法进行比对,为进一步研究特征提取、特征选择方法,提高垃圾图像分类器的性能和效率提供有价值的参考。     

基于分步特征提取和组合分类器的电信客户流失预测模型

针对电信客户流失数据集存在的数据维度过高及单一分类器预测效果较弱的问题,结合过滤式和封装式特征选择方法的优点及组合分类器的较高预测能力,提出了一种基于Fisher比率与预测风险准则的分步特征选择方法结合组合分类器的电信客户流失预测模型。首先,基于Fisher比率从原始特征集合中提取具有较高判别能力的特征;其次,采用预测风险准则进一步选取对分类模型预测效果影响较大的特征;最后,构建基于平均概率输出和加权概率输出的组合分类器,以进一步提高客户流失预测效果。实验结果表明,相对于单步特征提取和单分类器模型,该方法能够提高对客户流失预测的效果。     

应用神经网络分类器识别手写邮政编码

介绍了神经网络分类器的一般原理,提出了应用神经网络分类器识别手写邮政编码的基本方法。针对手写邮政编码模式内在的多样性和复杂性,又提出一种自适应树状网络模型以适应复杂数据的处理。     

应用BP神经网络分类器识别交通标志

介绍了神经网络特性和BP神经网络分类器的一般原理。针对交通标志识别需要处理的信息量大以及受天气道路等外界条件的影响存在噪声干扰的情况，提出了一种应用BP神经网络分类器识别交通标志的方法。识别分为图像数字处理、BP神经网络的训练、测试与对加入噪声图像进行识别3个步骤，经实验取得了良好的识别效果。     

基于矢量图形特征提取的遥感图像分类器

研究一种新型遥感图像分类器。它采用了一种称为ES（Extracting Shape)的新算法,即从遥感图像直接提取景物的矢量图形,由此获得图形元素和数学特征,并通过在波谱空间和形状特征空间的两次聚类给出景物的分类结果。通过引入知识库和捕捉用户调整事件获得新知识,使该分类器具有学习能力。分类精度高于国际知名的GIS软件IDRISI40％以上,在普通配置的台式个人电脑上,对彩色遥感图像的分类时间比IDRISI少23％。     

基于新型神经网络分类器的故障诊断模型

针对故障诊断技术普遍存在的问题：缺乏通用性、不能同时保证稳定性和可塑性以及难以实时应用等,提出了一种故障示例模型,具有较好的通用性;采用的FANNC神经网络具有增量学习能力以及只需一遍学习就能完成同新增模式匹配的特点,在保证了模型的实时处理能力的同时,能较好地解决诊断系统的稳定性和可塑性两难问题。     

用改进的遗传算法训练神经网络构造分类器

针对基本遗传算法存在容易早熟和局部搜索能力弱等缺陷,提出了改进的遗传算法,引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力。同时,用改进的遗传算法和基本的遗传算法训练神经网络构造分类器,实验结果表明,改进的遗传算法在最好个体适度值和最好分类准确性等方面性能更好。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

BP算法的改进及用模拟电路实现的神经网络分类器

基于用模拟电路实现神经网络分类器的目的，对多层静态前馈神经网络的ＢＰ算法做了改进，采用线性限幅函数代替Ｓｉｇｍｏｉｄ函数作为神经元的激活函数，给出了改进的ＢＰ算法。对该算法性能的实验研究表明：这种改进算法不但方便了用线性模拟集成运算放大电路实现神经网络，而且具有学习速度快，映射能力强等优点。根据本文算法设计的神经网络分类器，无论是计算机仿真，还是模拟电路实现，都得到了比较高的识别率。     

基于聚类选择的分类器集成

提出了一种基于聚类选择的分类器集成方法,通过聚类把模式特征空间划分成不相交的区域,对于初始分类器集合,各区域给出分类器的删除分值,各分类器总分值确定其删除优先级别,由删除优先级别选择一组分类器组成集成。理论分析和实验结果表明,基于聚类选择的分类器集成方法能够更好地对模式进行分类。     

分类器的数据预处理

该文提出在执行分类算法之前怎样数据预处理的思想，着重讨论了特征提来消除对分类不起关键作用的属性，并给出一个基于冲突分析特征提取算法。     

一种具有容错能力的自适应神经网络分类器

在国内外容错型神经网络的基础上,提出了一种具有容错能力的自适应神经网络FTART4。该算法针对解决多点断路故障容错性的难点,提出了一种独特的增加网络冗余的方法,通过确定故障敏感点达到了冗余度与容错性的平衡。同时对FTART4神经网络解决多点断路故障问题进行了严谨的形式化分析,给出了FTART4算法的完整描述。采用通用的神经网络测试数据对算法进行了测试,实验结果表明该方法取得了较好的效果。     

基于神经网络的k—近邻分类器

设计了一个神经网络结构来执行著名的ｋ－近邻分类器。神经网络的并行计算大大减少了传统ｋ－近邻分类器的特点同样可以继承，三种减少ｋ－近邻分类器结点的修改规则同样可包含在神经网络的学习算法中，另外，本网络采用的ｋ－Ｍａｘｉｍｕｍ子网具有比“赢者独吞”更好的性质。