一种串-并行混合结构的神经网络模型

针对复杂的模式识别问题,提出了一种串-并行混合结构的多种神经网络模型,首先用ART网络对训练集中的样本进行粗分类,以减小训练集的样本规模,然后用多个BP网络对小训练集进行训练.     

基于LM-BP神经网络模式的酸性染料分类方法

提出用Levenberg-Marquardt Backpropagation Neural Network(LM-BP)网络对酸性偶氮染料进行分类，网络结构为4-6-5。优化了隐含层神经元数和网络训练次数，表明隐含层神经元数应比输出层神经元数多一个。考察了训练集样本的选择对结果的影响，测试集的样本参数大小要处于训练集样本之间。本网络把其中22种染料作为训练集，把另外18种染料作为测试集，与采用GCEDM逐次分类法比较，测试集识别率为83％。     

基于均矢量相似性的机器学习样本集划分

提出一种基于均矢量相似性的机器学习样本集分割方法(MSSS),根据样本集中每个样本矢量与均矢量之间的余弦相似性,将样本划分成训练集和测试集.为评价MSSS方法性能,分别用随机分割法(RSS)和MSSS方法,按不同比例划分来自UCI的4个数据集,对产生的训练集一测试集进行Hotelling T~2检验;另外,采用得到的训练集对分类BP神经网络进行训练,以相应的测试集测试神经网络.研究结果表明:对用RSS划分4个数据集产生的训练集一测试集进行Hotelling T~2检验,发现均存在F值超出界值的现象,而MSSS均未出现;使用MSSS训练的神经网络所产生的训练-测试误差差异、准确率差异均比使用RSS训练的神经网络所产生的小,说明用MSSS划分产生的训练集与测试集的一致性比用RSS划分产生的好.     

基于SMOTE和机器学习的网络入侵检测

网络入侵检测已经广泛运用机器学习模型,但是研究者们多关注模型选择和参数优化,很少考虑数据不平衡的影响,往往会导致少数类入侵样本的检测效果较差.针对该问题,以SMOTE （synthetic minority oversampling technique）数据再平衡算法为研究重点,应用入侵检测数据集KDD99作为原始训练集,使用简单抽样和SMOTE算法生成再平衡训练集.采用多种机器学习模型分别在原始训练集和再平衡训练集进行5折交叉验证.实验结果表明,与原始训练集相比,使用再平衡训练集建模能够在不降低甚至提高多数类样本识别效果前提下,使少数类样本的识别准确率和召回率增强10%～20%.因此,SMOTE算法对不平衡样本下的网络入侵检测有显著的提升作用.      

基于RS—BP融合的裂缝监控模型

目前对大坝裂缝的监控主要是应用统计模型，然而在实际应用中，其分析精度易受因子相关性的影响．本研究提出了基于RS—BP耦合的裂缝监控模型，该方法首先应用RS对裂缝监控信息进行属性和样本集约简，以提高网络的泛化分析能力；然后用BP神经网络对约简的样本集进行模式训练；最后根据训练好的网络对裂缝进行分析，以掌握裂缝的演变性态．...     

因素分析法的样本培育

为解决由训练样本局限性导致因素分析法中测试样本错误识别和无法识别的问题,进一步提高因素库对样本信息的利用,采用样本培育的方法,对离散决策表的修炼培育作了具体表述:利用初始训练得到的规则集对新增样本进行测试,加入反馈机制,对训练集进行多重训练,直至初始测试准确率不变.研究结果表明:样本培育方法能及时地用新增训练数据改写推理规则,更好地实现样本信息的利用价值.     

基于样本选择的跨被试脑力负荷识别

人体的脑力负荷状态与人机操作工作时的工作效率,人力资源分配以及事故的发生等息息相关,因此研究操作人员的脑力负荷状态具有重要意义。为了解决现有脑力负荷识别方法由于训练集中样本数量过少导致分类效果较差的问题,本文提出了一种基于样本选择的跨被试脑力负荷识别方法。将其他被试的脑电数据作为训练集,参考目标被试的少量历史数据对训练集中的特征数据进行样本选择,实现减少样本数量的同时减少训练集和测试集之间的域差异,之后再通过主成分分析对样本选择后的自适应训练集和目标被试测试集特征进行特征降维,最后再用自适应训练集主成分建立支持向量机分类模型识别测试集样本的脑力负荷状态。结果表明,该方法可以在提高分类效率的同时提高分类精度,实现快速、准确的脑力负荷状态识别。     

一种基于多分类器协同训练的网络异常检测方法

基于机器学习的网络异常检测方法是入侵检测领域的重要研究内容.传统的机器学习方法需要大量的已标记样本对分类器进行训练,然而已标记样本通常较难获取,导致分类器训练困难;此外单分类器训练面临难以消除的分类偏向性和检测孔洞.针对上述问题,本文提出了一种基于多分类器协同训练的异常检测方法MCAD,该方法利用少量的已标记样本和大量的未标记样本对多个分类器进行协同训练,以减少分类的偏向性和检测孔洞.对比实验采用经典的网络异常检测数据集KDD CUP99对MCAD的异常检测性能进行验证。实验结果表明,MCAD有效地降低了检测器训练代价,提高了网络异常检测性能.     

一种全连接粒神经网络分类方法

全连接神经网络需要大量的数据支持，才能训练好一个分类网络，往往现实中没有提供大量的数据供给网络训练。针对全连接神经网络缺少数据训练会使网络分类效果不佳这个问题，研究粒计算理论，从不同角度增广数据并进行粒化，提出一种全连接粒神经网络的分类方法。首先，该网络对所有样本进行单特征参照样本相似度粒化，形成参照样本粒子。同时引入邻域判别函数进行邻域粒化，形成邻域粒子。一个样本上的多个特征粒子构成一个粒向量，将构造的粒向量输入到该网络进行分类，进而提出了全连接粒神经网络。在多个UCI数据集上实验，用全连接粒神经网络和不同的分类算法进行比较，其结果表明了所提出的全连接粒神经网络分类方法的正确性与有效性。     

基于多层PCA特征融合的人脸遮挡检测

本文提出了一种基于多层PCA特征融合的深度学习模型来提取人脸遮挡特征﹒在传统主成分分析网络的基础上保留了输入图像的浅层结构特征,并对数据样本进行核(kernel)变换来提高模型的非线性拟合能力,然后通过融合各层的特征信息来丰富最终的遮挡特征表达,后期用随机森林算法进行分类器的训练﹒实验表明:在相同训练集和测试集下,本文提出的方法在网络训练效率和遮挡检测率上均要优于PCANet等人脸遮挡检测算法﹒     

基于深度残差网络与迁移学习的地形识别方法

针对现有机器人基于深度网络的地形识别方法准确率低、网络训练时间长且需要大量训练数据的问题,提出一种基于深度残差网络与迁移学习的地形识别方法。首先,基于Resnet网络构建一种深度残差网络;其次,利用现有Imagenet大型数据集对构建的深度残差网络进行预训练,作为预训练网络,保留预训练网络除全连接层的训练权重,实现预训练网络大规模的参数迁移;最后,利用自建地形图像数据集对深度残差网络的全连接层进行训练,实现深度残差网络微调。实验结果表明,通过迁移学习的方法,利用深度残差网络对石子路、水泥路、砖地、沥青、草地、泥地6种自建地形图像进行分类,平均准确率达到了99.3%,同时网络训练时间也显著降低。     

高职校园数字化测量控制网构建方法的研究

构建测量实训课程使用的数字化控制网,应明确控制网的用途,有针对性的建设。根据实训项目对控制网进行分级与规划设计,埋设并标记控制点,并对控制点的坐标进行采集,最后建立完整的数据库。     

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型.     

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型。     

计算机网络教学实训模式研究

信息管理与信息系统专业培养的学生是从事信息管理以及信息系统分析、设计、实施的应用型人才,计算机网络作为一门理论和实践相结合的核心主干计算机课程,对将来学生的信息化应用水平有着重要的影响。为了克服学生对枯燥、抽象的计算机网络理论难以接收的情况,文中以中央司法警官学院计算机网络项目实训环境的建设为例,对计算机网络教学项目实训进行了研究,建立了实训大纲和项目流程,最后对该项目实训在教学和行业应用进行了实践验证。     

基于移动Agent的智能培训系统的设计

文章在分析了移动Agent在分布式计算中所具有的技术优势的基础上,提出了把移动Agent技术与网络培训相结合的思想,设计了一个基于移动Agent的智能培训系统模型,并详细讨论了系统实现的关键技术.该系统充分利用了移动Agent的移动性和智能性特点,较好地解决了网络培训中个性化教学等一系列问题.     

粒子群算法优化BP神经网络

现实生活中绝大数系统都是非线性的,BP神经网络通过训练能否达到局部最优值、能否收敛以及训练的时间长短与初始值和阈值的选取关系密切.为此采用了具有动态惯性权重的粒子群算法对BP神经网络初始值进行优化.实验表明具有动态惯性权重的粒子群算法优化BP神经网络预测误差很小,能够跳出局部极小值,得到更优的结果.     

关于实验动物从业人员岗位培训的几点建议

生命科学的快速发展对实验动物从业人员的素质提出了更高的要求,为此建议实验动物学岗位培训应根据 管理、实验和饲养岗位的不同,按各自的需要分类培训,并组织、编写实验动物学岗位系列培训教材,在培训过程中 充分利用网络的实验动物教学资源,注重多媒体演示教材的制作与利用,充分发挥远程教育在实验动物岗位培训 中的作用。     

流化床喷雾制粒神经网络模型及其应用

建立了反映流化床喷雾造粒过程参量同产品物性之间映射关系的BP神经网络模型。在建模中运用了正交实验设计、交叉评价网络训练法、样本标准化处理和主元分析等技术，对网络结构及其参数进行了优选。网络模型输出同实验结果非常接近，具有广泛的适应性。该网络可以实现各种定量分析计算，例如：预测在特定过程参量下的产品粒径，或者根据指定的产品目标，确定合适的工艺参量等。     

基于支持向量机和遗传算法融合的入侵检测

为了研究网络异常入侵检测问题,将支持向量机（SVM）和遗传（GA）算法融合并应用于入侵检测领域,区分正常和异常的用户行为,实现对网络系统的入侵检测.传统SVM算法易产生训练参数选择不当,难以获得较高的检测效率和分类精度等问题.针对此问题,提出了一种优化的基于SVM-GA融合的入侵检测方法,首先对网络入侵数据进行归一化处理简化输入,然后通过遗传算法对SVM训练参数进行同步优化,最后采用SVM算法对网络数据进行检测,分类识别得到网络入侵结果.仿真实验结果表明,该融合算法训练时间短、检测精度高、误报率和漏报率低,是一种有效可行的入侵检测方法.