基于免疫算法和反向传播神经元网络的无线网络入侵检测研究

为了能够检测到无线网络系统中已知和未知类型的入侵者,提高无线网络系统的安全性,在对网络数据分析和研究的基础上,提出一种基于免疫算法和反向传播神经元网络的入侵检测方法。首先利用免疫算法对网络数据进行预处理,再运用反向传播神经元网络对处理后的数据(程序)进行识别。实验表明用该方法检测无线网络系统中的新型入侵者是可行、有效的,检测入侵者的准确率可达到97%。     

基于ANFIS的非线性电机系统的建模

将一种神经—模糊结构—自适应神经模糊推理系统 (简称ANFIS)用于非线性电机系统的建模 ,获得了一个良好的大范围的全局非线性模型 ,同时 ,通过与反向传播网络建模结果的性能对比 ,说明ANFIS在参数收敛速度及建模精度上的优越性。显示出ANFIS是非线性系统的建模、辨识的有力工具     

一种基于神经网络的LD-CELP算法

在低延时矢量励线性预测 (LD -CELP)编码算法的基础上 ,提出直接矢量量化的低延迟矢量激励线性预测编码方案 (DVQ -LD -CELP) ,采用误差反向传播神经网络 (BPNN)来实现DVQ -LD -CELP方法中的码本搜索算法 ,实现在保持原编码方法 (LD -CELP)生成语音的音质和码率的同时 ,降低码本搜索的复杂度 ,提高码本搜索算法的效率     

神经网络在变压器故障智能诊断系统中的应用

介绍了以BP神经网络理论为基础的变压器故障智能诊断系统的结构模型及其原理;通过三个实例分析,验证了该系统的正确性,有较强的实用效果。     

基于权值不确定性的玻尔兹曼机算法

受限制的玻尔兹曼机（RBM）是一种无向图模型.基于RBM的深度学习模型包括深度置信网（DBN）和深度玻尔兹曼机（DBM）等.在神经网络和RBM的训练过程中,过拟合问题是一个比较常见的问题.针对神经网络的训练,权值随机变量（weight random variables）、Dropout方法和早期停止方法已被用于缓解过拟合问题.首先,改变RBM模型中的训练参数,使用随机变量代替传统的实值变量,构建了基于随机权值的受限的波尔兹曼机（weight uncertainty RBM,简称WRBM）,接下来,在WRBM基础上构建了相应的深度模型：Weight uncertainty Deep Belief Network（WDBN）和Weight uncertainty Deep Boltzmann Machine（WDBM）,并且通过实验验证了WDBN和WDBM的有效性.最后,为了更好地建模输入图像,引入基于条件高斯分布的RBM模型,构建了基于spike-and-slab RBM（ssRBM）的深度模型,并通过实验验证了模型的有效性.     

广义回归神经网络在变压器绕组热点温度预测中的应用

电力变压器的绕组热点温度是影响其绝缘性能的主要因素之一,因此有必要进行电力变压器绕组热点温度预测以提高电力变压器的运行可靠性。变压器内部温度受诸多因素的影响,且计算涉及到传热学、流体力学和电磁学等边缘学科,以致其计算复杂,不宜使用。广义回归神经网络(GRNN)具有较强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性等特点,将其应用于变压器绕组热点温度的预测,克服了基于误差反向传播算法的人工神经网络(BPNN)预测时训练过程中存在局部最小点、收敛速度慢等缺点。将预测结果与实测值进行对比,结果表明GRNN神经网络的预测结果与实测值具有较好的一致性。     

遗传神经网络在基片图像边缘检测中的应用

由于复杂噪声信号的存在,使得对基片边缘的检测不理想.文章提出了一种利用遗传算法与BP神经网络相结合的图像边缘检测方法.先对基片图像进行中值滤波,将选中的样本归一化;后用遗传算法对神经网络权值进行优化:再用BP算法时神经网络进行修正,得到局部最优;最后利用此神经网络对舍有噪声信号的陶瓷基片进行边缘检测.实验表明,此种方法是有效的.