基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

PCA和改进BP神经网络的大米外观品质识别

为了研究大米品质的优劣,采用主成分分析算法和BP神经网络相结合的方法对大米米粒进行识别.将米粒的特征变量进行主成分分析以提取代表性的主成分分量,将获得的主成分作为输入神经元来建立自适应BP神经网络进行学习,并将训练完毕的神经网络用于实际过程中的大米品质判别,同时采用附加动量法和自适应调整速率策略优化网络结构.仿真和实验结果表明,此方法可以使得大米识别的准确度达到95%以上并且有效的减少识别所需时间.     

基于图像特征提取的雷达点迹识别方法

为解决虚假点迹对雷达探测和跟踪性能的影响,提出一种基于图像特征提取的雷达点迹识别方法．首先基于雷达原始视频数据提取出16个图像特征参数,其次利用主成分分析(PCA)方法对特征参数的应用价值进行研究和降维处理,最后结合BP神经网络算法进一步对目标和杂波进行真伪鉴别．实验结果表明,相对于支持向量机(SVM)算法和BP神经网络算法,本文方法的点迹识别准确率更高,虚假率和漏警率更低．     

快速路截面数据和车牌识别数据融合算法

为了提高快速路交通流检测精度,在对快速路截面数据和车牌识别数据预处理方法研究的基础上,提出了基于遗传算法优化的BP神经网络数据融合算法,并以VISSIM模拟交通流数据为对象,通过MATLAB程序实现该算法的仿真验证,同时与传统BP神经网络融合算法进行对比分析.结果表明,该算法融合的平均相对误差为0.73%,传统BP神经网络融合的平均相对误差为1.55%,融合精度显著提高.     

基于主成分分析的神经网络算法对期权价格预测研究

采用基于主成分分析的神经网络算法对华夏上证50ETF期权价格进行预测,并使用期权数据验证该方法的有效性。比较传统Black-Scholes期权定价、单个BP神经网络算法和基于主成分分析的BP神经网络算法对期权价格的预测精度,结果表明:基于主成分分析的BP神经网络算法预测精度最高,传统的Black-Scholes期权定价方法其预测精度最低。     

入侵检测系统中基于PCA和C-SSGA的双向数据压缩

针对入侵检测数据中的冗余特征和冗余实例,提出一种基于主成分分析和混合稳态遗传算法的双向数据压缩方法.利用主成分分析对特征进行压缩,有效地去除特征之间的冗余性;用混合稳态遗传算法进行实例压缩,大大缩减了实例的数量;提出一个基于神经网络的入侵检测系统模型,该模型具有多分类、易于更新系统及快速适应新型入侵的特点.在KDD CUP’99上的实验表明,提出的方法是有效的,可以用于处理大数据集的压缩问题.     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法。首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中的一氧化碳和乙烯混合气体的实验数据中。实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高,误差更小,为电子鼻系统气体种类检测提供了一种新的方法。     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

纱线横截面图像中的材质识别

应用主成分分析(PCA),在尽量减少信息损失的前提下,把毛粘混纺纱线横截面图像中羊毛和粘胶的原始特征指标转化为少数综合性指标.利用BP(Error Back Propagation)神经网络较强的学习能力,对羊毛和粘胶的混纺纱线横截面图像进行识别分析.通过对实例图像进行预处理,提取特征数据;应用主成分分析法进行数据降维并利用BP神经网络进行机器学习及识别分类,取得了与实际相符的羊毛和粘胶两种材质的分离效果.     

改进的BP网络在入侵检测中的应用

入侵检测是一种积极主动的安全防护技术,不仅能够检测来自外部的入侵行为,同时也监督内部用户的未授权活动,有着非常广泛的应用前景。而人工神经网络是一种基于大量神经元广泛互联的数学模型,具有自学习、自组织、自适应的特点。将神经网络技术和入侵检测技术相结合,建立了一个基于神经网络的入侵检测系统模型并实现了一个基于BP(Back Propagation)神经网络的入侵检测系统的原形,对原有的误差返向传播算法进行了改进以提高收敛速度,然后对一些实际数据进行了测试和分析,在检测率、漏报率、误报率等方面取得了较好的效果。     

一种基于DBN的网络入侵检测算法

针对传统BP神经网络在检测速度、精度、复杂度等方面的缺陷,提出了一种基于深度信念网（deepbeliefnets,DBN）的网络入侵检测算法,将数据通过双层RBM结构降维,再用BP神经网络反向微调结构参数,从而简化了数据复杂度,减少了BP神经网络的计算量．通过对KDD99数据集仿真实验表明,该算法对于大数据拟合快,检测精度较高．     

神经网络算法在智能体IDS系统中的应用

结合网络入侵和主机入侵方面的检测能力,构建了基于智能体的分布式入侵检测系统的体系结构模型。重点讨论了神经网络入侵检测算法。针对传统的BP网络在入侵检测应用中学习收敛时间和性能上的不足,提出了变速度回归神经网络(采用了批处理技术和动量方法)检测算法,通过对网络数据集的测试表明,该算法较传统BP网络,其学习训练次数大大降低,学习能力显著提高。     

一种神经网络和模式匹配相结合的入侵检测系统

构造一个基于BP神经网络和模式匹配技术的网络入侵检测系统模型.神经网络和模式匹配在检测类型上是互补的，BP神经网络需要数值化的输入，适合检测基于网络数据包流量特性的入侵行为；模式匹配技术是通过在数据包中搜索特征字符串来检测入侵的.将网络数据包分析处理后分别按神经网络和模式匹配检测模块的输入数据格式生成输入实例，再分别予以检测.该系统可以检测出已知的入侵行为，同时具有一定的对未知入侵的检测能力.实验证明两者结合起来构成的检测系统性能更全面.     

BP神经网络在入侵检测系统中的应用及优化

BP神经网络运用于入侵检测系统有很多优点，但是也存在一些缺点，如执行速度比较慢的问题等．常用的LMBP算法，虽然收敛速度很快，但是应用于入侵检测系统执行速度仍然不能满足要求．结合KDD99数据集，选取适当的数据，通过加入一些限制条件，对LMBP算法进行了优化．通过实际计算，比较算法优化前后的计算结果，验证了优化算法是有效的．优化后的算法比较明显的提高了BP神经网络应用于入侵检测系统时的执行速度，具有一定的实用价值．     

BP神经网络在入侵检测系统中的应用及优化

BP神经网络运用于入侵检测系统有很多优点，但是也存在一些缺点，如执行速度比较慢的问题等.常用的LMBP算法，虽然收敛速度很快，但是应用于入侵检测系统执行速度仍然不能满足要求.结合KDD99数据集，选取适当的数据，通过加入一些限制条件，对LMBP算法进行了优化.通过实际计算，比较算法优化前后的计算结果，验证了优化算法是有效的.优化后的算法比较明显的提高了BP神经网络应用于入侵检测系统时的执行速度，具有一定的实用价值     

基于卷积神经网络的电力信息物理融合系统入侵检测方法研究

现有的面向电力信息物理融合系统（CPPS）的入侵检测方法存在不够重视数据质量等问题,尤其是在处理离散化数据方面存在欠缺。为解决上述问题,提出了一种基于实体嵌入和卷积神经网络的CPPS入侵检测方法。该方法通过实体嵌入技术将数据集中的离散型特征映射为连续向量,从而生成高质量的新数据。将其与经过标准化的连续型特征合并起来作为新数据集训练卷积神经网络,以建立CPPS入侵检测模型。在KDD Cup 99数据集上的实验评估结果表明,所提方案的攻击检测准确率分别比独热编码和传统顺序编码提高了6.20%和6.04%,同时还减小了误报率和漏报率。     

基于Gabor滤波器和改进BP神经网络的人脸检测方法

提出一种基于Gabor滤波器和改进BP神经网络的人脸检测方法.该方法首先利用Gabor滤波器空间位置与方向选择特性,采用8种方向Gabor滤波器提取人脸样本图像特征;然后把基于Gabor滤波器的特征向量作为人脸/非人脸分类器输入,并用PCA方法对特征向量降维;最后利用已降维的特征训练改进的BP神经网络.仿真实验表明,该方法比单一使用Gabor滤波器和单一使用BP神经网络检测率高.     

基于神经网络的入侵检测模型研究

提出了将学习向量量化神经网络用于入侵检测系统的方法，并给出了基于学习向量量化神经网络的网络入侵检测系统模型结构。仿真实验结果表明，运用学习向量量化神经网络检测入侵，可以达到较高的准确检测率，是一种有效的入侵检测手段。