基于数据挖掘的入侵检测多分类模型研究

入侵检测系统捕获的大量网络数据,需要采取有效的算法进行分类,用以判别数据流是否异常以及所属的攻击类别。为了有效地挖掘出判别数据流的模式与规则,针对入侵检测系统的分类器模型,采用数据挖掘技术中的反向传播神经网络算法、有监督的Kohonen神经网络算法和支持向量机算法进行对比研究。主要分析了各个算法的分类正确率、检测率和误...     

Neural network approach to recognize the grid patterns in experimental mechanics

In this paper, we develop a neural network system that applies to the work of experimental mechanics. Two procedures are presented: one is the color calibration that used to filter 256 colors into three colors by adaptive-competitive learning network (ACLN). The other is the pattern recognition that is used to recognize the grid patterns and search the intersection points of grids by back propagation neural network (BPNN). In this paper, plane extrusion through a cosine-curved die is adopted to illustrate as example. The results show that the correlative points between the calculation and experiment are shown quite well agreement.     

Imputing manufacturing material in data mining

Data plays a vital role as a source of information to organizations, especially in times of information and technology. One encounters a not-so-perfect database from which data is missing, and the results obtained from such a database may provide biased or misleading solutions. Therefore, imputing missing data to a database has been regarded as one of the major steps in data mining. The present research used different methods of data mining to construct imputative models in accordance with different types of missing data. When the missing data is continuous, regression models and Neural Networks are used to build imputative models. For the categorical missing data, the logistic regression model, neural network, C5.0 and CART are employed to construct imputative models. The results showed that the regression model was found to provide the best estimate of continuous missing data; but for categorical missing data, the C5.0 model proved the best method.     

利用DGA-NN诊断油浸式电力变压器故障

人工神经网络以其良好的非线性映射能力广泛应用于电力变压器故障诊断。为研究反向传播神经网络(BPNN)和概率神经网络(PNN)的学习过程、网络参数选择等问题,利用Matlab的神经网络工具箱结合油中溶解气体建立了BPNN和PNN的故障诊断模型,并对其性能做了分析和对比。结果表明,两种网络均能较好地实现变压器故障的实时诊断。因初始化权值的随机性,BPNN的输出结果具有差异性,收敛速度较慢,而PNN网络结构自适应确定,可以随时添加训练样本,且训练速度较快,适合于实现变压器故障的实时诊断。相同条件下,PNN的收敛速度约为BPNN的5倍。     

霍尔传感器检测电动机电流的误差补偿

针对温度引起霍尔传感器检测电动机电流的误差,设计了基于BP神经网络的温度误差补偿系统,并对系统进行了仿真和实验测试,结果表明,BPNN补偿准确度高。     

大跨平屋盖风荷载特性及风压预测研究

在大气边界层风洞中开展了大跨平屋盖结构刚性模型试验,获得了屋盖表面测点的风压时程,分析了典型风向下屋盖表面平均风压与脉动风压特性。结合本征正交分解技术(POD)与BP神经网络法,提出了一种可用于大跨结构进行空间插值的机器学习法—POD-BPNN法,实现了对风压的高效预测。预测的平均风压系数、脉动风压系数、脉动风压的时域与频域特性均与风洞试验值相吻合。表明运用POD-BPNN方法预测大跨结构表面风压是可行的。     

基于话者特征图案的BPNN话者模型

该文提出了一种用于说话人识别的基于话者特征图案的BPNN话者模型，该话者模型解决了语音信号的时长变化与神经网络输入层结点数固定不变之间的矛盾。利用VQ技术对所有话者的语音样本训练出话者特征图案，再将语音样本对该特征图案进行映射，在映射域解决了语音样本的时间规正问题。同时，该方法还提高了映射域参数的模式分类能力。     

改进GA-BP神经网络的无线信道预测方法

无线信道建模与仿真中,实现一种高效率、高准确性的无线信道预测方法是具有非常重要意义的。针对该需求,提出一种基于多种群遗传算法（Multi-population genetic algorithm, MPGA）-反向传播（Back propagation, BP）神经网络的无线信道预测方法。该方法通过改进遗传算法,优化BP神经网络中神经元的权值和阈值,以此改善BP神经网络预测精度差的问题,从而极大提高了BP神经网络的预测性能。将射线跟踪算法的理论值和BP神经网络结合,实现更高效的无线信道预测方法。通过对比遗传算法（Genetic algorithm, GA）-BP神经网络模型和MPGA-BP神经网络模型的预测误差,发现MPGA-BP神经网络模型的预测结果优于GA-BP神经网络模型,证明了所提出无线信道预测方法具有良好的精确度,可以更高效地进行无线信道预测。     

基于逐步判别分析和BP神经网络的电子鼻猪肉储藏时间预测

旨在探讨一种快速检测猪肉储藏时间的电子鼻方法.本研究采用德国Airsense公司的PEN 2型便携式电子鼻对不同储藏时间(0～7 d)的猪肉样品进行检测,每天检测42个样品,每个样品质量为10 g,密封时间为5 min.提取第60 s数据进行线性判别分析,结果显示电子鼻能较好的区分不同储藏天数的猪肉样品.同时用逐步判别分析和BP神经网络对猪肉储藏时间进行预测,训练集的准确率,前者为100%,后者为94.17%,而预测集的准确率,前者为97.92%,后者为93.75%.研究表明电子鼻技术有望在猪肉新鲜度快速检测上得到广泛的应用.     

基于改进的稀疏深度信念网络的人脸识别方法

由于稀疏表示在人脸识别上的优异表现,大量的研究关注于在深度网络上结合稀疏编码.常用的稀疏深度信念网络限制所有的隐藏单元具有相同的稀疏水平,这不是诱导稀疏表示最自然的方式.针对这个问题,根据压缩感知理论改进原来的稀疏项,添加了一个tan-sigmoid正则项逼近稀疏表示的最优解L0范数.这种方法不限制隐藏单元拥有相同的激活率,每个隐藏单元可以根据不同的任务自动学习到不同的稀疏水平.在ORL、UMIST和FERET人脸库上的识别结果表明,提出的方法与经典的稀疏深度模型相比,获得了很好的特征表示和识别效果.