用阶梯样本提取受训MLP或SVM的输入输出关系

神经网络具有强大的函数拟合能力,但是,训练的结果是‘黑盒子'.采用构造阶梯样本、计算陡峭指数的方法,将受训多层感知器或支撑向量机的输入输出变量关系以直观的形式(阶梯图)反映出来.与传统方法比较,这种新的相关性分析方法能更充分地揭示样本中输入与输出变量间的非线性关系.在烟草行业单料烟模拟感觉质量评估的应用中,仿真试验验证了该方法的有效性与实用性.     

尺度空间检测边缘特征的进化分析

多尺度分析中的一个重要问题是检测特征的尺度空间进化规律。本文以2-D高斯函数作为核函数,明确给出了角点图像的尺度空间检测边缘是一个由角边界的斜率和分析尺度共同决定的椭圆。以此为基础,讨论了尺度因子对相邻角点检测边缘的同化效应,给出了角最小分辨率与分析尺度的关系不等式。本文的结果对多尺度分析具有普遍性参考意义。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

多层感知器网络内部判决模式的研究

人工神经网络（ANN）内部行为的研究,无论是对生物神经系统内部工作机理、ANN理论,还是对ANN应用都有重要意义。本文在作者原有工作基础上加以发展,针对多层感知器网络应用于模式识别、分类、 数逼近与参数估计的内部行为,作出了明确解释;以单陷层结构为典型,定义了隐层神经元输出为网络输出量的“（正、负）内部分量”,陷层权重分布为网络求解问题的“内部判决模式”;并给出了应用这一理论分析的实例。     

基于小波分形特征提取的图象分割方法

提出了一种基于小波分解和分形纹理特征计算的图象分割方法,首先考虑对图象进行小波变换,然后对不同通道的子图象提取纹理的分形特征和能量特征,最后用直方图阈值分割方法实现图象的分割,实验表明,该方法对模拟纹理图象以及多少谱遥感图象的分割都取得了满意的效果。     

小波分析与神经网络结合的研究进展

目前,小波与神经网络的结合是一个十分活跃的研究领域。本文综述了这一领域的研究进展和现状,从两者结合方式的不同将其分为辅助式及嵌套式两种结合方式,重点阐述了嵌套式的结合方式小波神经网络,并对其主要模型、算法和其它相关问题进行了论述。本文还讨论了小波网络的各种应用,从中可以看到它在函数逼近、信号分类、系统辨识、图像压缩等应用领域有极大的潜力,最后展望了今后的研究方向。     

采用小波变换的LDA信号频率测量

本文提出了一种基于小波变换的LDA信号频率测量的分析方法。该方法具有突出时域、频域局部特征的能力,适用于短暂瞬时信号、LDA信号的检测与分析。     

多层感知器分类行为的模糊线性分析

线性判别函数理论是线性分类器的分析基础,并不适合非线性分类器.本文把非线性激励函数视为隶属度函数,将非线性神经元及多层感知器分类行为的分析建筑在模糊集理论基础上,提出模糊线性判别函数与模糊判别边界、模糊分类等概念.并引出将隐层初始权向量均匀分布在权空间超球面上的初始化方法,明显提高了多层感知器的收敛性能.并提出了一种在多层感知器的类空间中构造最优超平面的简易新方法.     

企业财务预警PCA-SVM模型研究

将主成分分析（PCA）和支撑向量机（SVM）结合，提出了一种分行业、适用小样本空间的财务预警模型：PCA-SVM模型。以传统财筹指标为基础，通过主成分分析，简化输入向量，并利用SVM作为判别企业状态的工具。该文利用了SVM提取优秀企业各比率之间的内在相关知识，作为评判企业状态的依据，克服了以往在区分企业状态方法上线性判别的局限性，也克服了小样本条件下BP网络推广能力不强的缺陷。