采用B-样条神经模糊模型预测粒状土浅地基的沉降—Computersand Geotechnics，2003（8）

粒状土浅地基设计通常由沉降而非承载能力决定。所以，设计时主要关心沉降预测，它是浅地基设计的必备标准。目前，只有用众多数值模拟技术，才能准确而一致地预测出粒状土浅地基的沉降。近来，用反传播算法培训的多层感知器(MLP)已经成功地应用于预测粒状土浅地基的沉降。其缺点是培训期间获得的知识呈关联权重分布，很复杂，难以解释。     

基于感知器的快速彩色图像无损压缩算法

针对彩色图像像素和颜色分量之间存在的相关性，将神经网络中的感知器技术引入彩色图像的无损压缩算法中，提出了一种新的预测模型。应用感知器的自学习和自适应能力，对预测值进行自适应调整，使算法在运行过程中具有很小的预测残差并具有较小的动态范围。同时应用颜色空间变换来减小颜色分量间的相关性。相对于新的国际标准JPEG—LS，这种预测模型具有较低的计算复杂性。对比实验结果说明，这种算法的性能明显优于传统算法，在压缩比损失很小的前提下，其执行速度高于JPEG—LS。     

洪水预报智能模型在中国半干旱半湿润区的应用对比

为探究不同洪水预报智能模型在我国半干旱半湿润区的应用效果,选用决策树、多层感知器、随机森林和支持向量机4种模型在陕西省3个典型流域进行逐时洪水预报;选择相关系数、纳什效率系数、均方根误差、平均绝对误差和相对误差等评价指标,比较不同预见期下4种模型在半干旱半湿润典型流域洪水预报的适用性。结果表明:在短预见期预报中,4种模型在半湿润区典型流域均可获得较高的预报结果,在半干旱典型流域模拟精度相对偏低,仅支持向量机模型满足预报要求;随着预见期延长,不同模型性能变化差异大,支持向量机模型整体稳定,在小流域实时洪水预报中具有明显优势;随机森林模型与决策树模型精度随预见期延长而缓慢下降,前者适应性更好;多层感知器模型精度随预见期延长而骤减,模型稳定性较差。     

数据挖掘预测模型在脑损伤患者认知功能康复中的应用

为了更好地预测后天性脑损伤ABI(Acquired Brain Injury)患者认知功能康复的影响因素,提出基于决策树(DT)、多层感知器(MLP)和广义回归神经网络(GRNN)的三种预测模型。借助于10折交叉验证测试算法,通过专一性、灵敏度和精度分析以及混淆矩阵分析对模型的性能进行测试,从而获得新的知识以评估和改善认知功能康复过程中的有效性。实验结果表明,基于DT的模型的模拟结果明显比其他模型更为优越,预测平均精度可高达90.38%。     

利用模糊感知器解决模糊可分样本的分类问题

针对一类用于解决分类问题的模糊感知器,提出完全随机输入的模糊δ-规则,并给出训练样本模糊可分的定义。实例表明,利用该算法可以有效地解决模糊可分样本的分类问题,在有限步迭代后就达到收敛,即有限步训练后网络能将所有样本正确分类。     

卫生陶瓷制品缺陷分析神经网络骨架系统

本文介绍神经网络概念及其感知算法原理,论述陶瓷制品缺陷类型、缺陷根源及其克服缺陷措施如何形成神经网络骨架系统。这些因果关系在神经网络骨架系统中是用权系联接来描述。文中还论述如何使用各个工厂制品的实际存在缺陷范例(样本),来训练神经网络骨架系统的知识库。     

多层感知器在提高软件可维护性上的应用

预测分析软件质量可看作是一个以源代码度量作为属性标签、模块性能作为类标签的分类问题。首次提出将多层感知器应用于软件质量预测,并使用对称不定性分析来提高其分类性能。多层感知器是一种利用误差反向传播方法分类实例的分类器,而对称不定性分析可降低算法复杂度并获得更好的分类效果。与其他传统方法相比,基于对称不定性分析的多层感知器的分类效果无论是准确度还是稳定性都是最好的,它能获得对软件质量的最高预测精度,从而有效地提高软件可维护性。     

基于固定增量单样本感知器的AdaBoost算法

针对传统AdaBoost算法在分类过程中时间复杂度和算法学习复杂度较高的问题,提出一种改进的算法AdaBoostFISP。以固定增量单样本感知器为弱分类器,在感知器的权值更新上采用固定增量代替变量增量,从而减少运算时间、降低学习复杂度。实验结果证明了该算法在预测准确性、学习复杂度和时间复杂度等方面的优势。     

一种硬感知器的结构设计与EPGA实现

分析了单个神经元神经网络(即感知器)的结构特征；介绍了自顶向下的FPGA的设计方法，并在QUARTUS^TM Ⅱ软件平台上实现了单个神经元的硬件神经网络．     

一类离散递归神经网络的稳定性分析--LMI方法

离散递归神经网络的稳定性分析是目前研究的薄弱环节.通过状态空间扩展法,将一类活化函数满足扇区条件和单调性的离散递归神经网络(即递归多层感知器RMLP)转化为线性微分包含(LDI)形式,而LDI的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用MATLAB/LMITOOLBOX求解LMI,从而判定RMLP的Lyapunov稳定性.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.