基于神经网络集成的数据分析

神经网络集成通过训练多个神经网络并将其结论进行适当的合成,可以显著地提高学习系统的泛化能力.然而,设计一个好的神经网络集成必须在个体准确性与彼此差异性之间取得一个平衡.本文提出了一种改进的神经网络集成构造方法--基于噪声传播的神经网络集成算法(NSENN).     

基于粗集理论的一种数据泛化方法

传统的粗集理论只能对数据库中的离散属性进行处理,所以对存在连续属性的数据库必须进行离散化处理。经过初次离散化后的信息系统往往包含的等价类数过多。文中提出了一种数据泛化方法,利用决策表相容性的反馈信息对经过初次离散化的信息系统进行处理。结果表明,该方法能够有效地提高规则的统计意义及解释能力,推导出来的规则对待识样本具有更好的适应性。     

聚酯酯化率软测量技术研究

介绍了某聚酯生产过程酯化工艺建立的过程质量指标酯化率的软测量模型。提出一种利用减法聚类产生初始的T-S模糊模型,通过粗调与细调聚类半径优化模糊模型的方法。建模前选择或计算出辅助变量,对样本数据进行了误差剔除与归一化处理。仿真结果表明,该方法建模速度快,模型泛化性能良好,为酯化率的估计提供了一种有效方法。     

角分类前向神经网络研究

角分类算法是一类快速分类算法，以其为学习算法的前向神经网络，在信息检索，特别是在线信息检索等领域有着重要的应用．通过对CC4学习算法的分析，揭示了泛化距离在角分类神经网络中的意义．针对文本数据的快速分类要求，提出了新的角分类网络TextCC．为解决数据的多类别判定问题，给出了新的角分类神经网络隐层与输出层之间连接矩阵的学习算法．实验表明，新的角分类神经网络隐层与输出层之间连接矩阵的学习算法有效，TextCC的分类精度教CC4的分类精度显著的提高．     

船舶大功率发电机混沌神经网络建模

在分析和研究了Aihara神经元混沌特性的基础上,建立了基于Aihara混沌神经元的Elman局部递归混沌神经网络（CNN）,神经元引入混沌特性后增强了神经网络对非线性映射的全局逼近能力.在船舶大功率同步发电机建模中,以船用柴油机输出转矩功率和发电机输入励磁电流作为CNN建模与辨识的输入参数;以发电机的输出频率、发电机端电压和输出电流作为CNN建模与辨识的输出参数;采用有导师学习方式,运用基于BP的动态训练方法,最终完成了船舶大功率发电机的动态建模.与其它的ANN建模相比较,用CNN建立的模型的隐层神经元数量少,系统的泛化能力强.     

采用模拟退火算法的Elman网络及在热工过程建模中的应用

文中采用了模拟退火算法对Elman网络的前馈和反馈权值进行优化，避免了其陷入局部最小值，在网络的训练过程中无需人为的反复调整反馈权植，并将其应用于建立热工过程的非线性模型。仿真研究表明，无需复杂的网络结构，采用SA算法的Elman网络模型能够很好的适配热工过程对象，并有较好的泛化能力。     

基于人工神经网络的传感器静态特性拟合

人工神经网络具有以任意精度逼近任何非线性函数的能力。本文分别用BP网络、RBF网络对压力传感器的静态特性作高精度拟合，改进的BP算法加速了网络的收敛。仿真结果表明，三层BP网络和RBF网络能够满足工程实际中一维数据拟合的要求，网络具有良好的泛化能力。     

神经网络集成

神经网络集成通过训练多个神经网络并将成结论进行合成，可以显著地提高学习系统的泛化能力。它不仅有助于科学家对机器学习和神经的深入研究，还有助于普通工程技术人员利用神经网络技术来解决真实世界中的问题。因此，它被视为一种广阔应用前景的工程化神经计算技术，已经成为机器学习和神经计算领域的研究热点。该文从实现方法、理论分析和应用成果等三个方面综述了神经网络集成的国际研究现状，并对该领域值得进一步研究的一些问题进行了讨论。     

关于AM学习样本选择的实验研究

本文针对联想记忆网络学习样本的选择问题,从网络的泛化能力入手,讨论了学习样本的数量、质量和选取方法问题.并通过一个交通标志形状识别系统的实验,给出了如何确定联想记忆网络学习样本的数量、质量和选取方法的建议.     

最小一乘回归神经网络集成方法股市建模研究

提出了一种新的神经网络集成股市建模方法,采用偏最小二乘方法构造神经网络输入矩阵,利用Bagging技术和不同的神经网络学习算法生成集成个体,再用遗传算法选择参与集成的个体,以"误差绝对值和最小"为最优准,建立最小一乘回归神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.