基于自组织竞争神经网络技术的模糊聚类研究

本文对常规模糊聚类方法进行了深入的研究，提出了一种基于自组织竞争神经网络技术的模糊聚类方法。仿真结果证明，这种方法可以有效地进行模糊聚类。     

自组织神经网络在模糊聚类中的应用研究

聚类是按照事物的某些属性，把事物分类，使类间的相似性尽量小，类内的相似性尽量大。将事物通过适当聚类，才能便于研究事物的内部规律，但客观世界中存在着大量界线不分明的问题，研究模糊聚类的方法正是为了解决这类问题。在对常规模糊聚类方法分析的基础上，提出了一种将自组织竞争神经网络技术运用于模糊聚类的一种方法，并以100种动物分类为例，进行了模拟试验，仿真结果证明这种方法进行模糊聚类的思想正确，方法可行，效果较好。     

基于ART1人工神经网络的数据聚类

本文对数据聚类进行了研究，提出了一种利用ART1人工神经网络的数据聚类方法的结构和算法。     

基于构造型神经网络和商空间粒度的聚类方法

采用构造型神经网络对大规模模式进行聚类,其中利用商空间粒度分析法选择最优粒度聚类。该方法既发挥了构造型神经网络计算复杂度低的优点,又利用了商空间理论选取最优粒度聚类。对大规模复杂数据聚类实验结果表明该方法是实效的。     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

基于神经网络的无线传感器网络数据融合算法_cg10000147修改稿

为减少无线传感器网络的通信量,降低能量消耗,设计了一种基于神经网络的数据融合算法(BPNDA),该算法将BP神经网络和传感器网络分簇路由协议有机结合,将每个簇设计成一个神经网络模型,通过神经网络提取原始数据中的少量特征数据,然后将特征数据发送给汇聚节点,从而提高数据收集效率,延长网络生存时间。仿真实验证明,与LEACH算法相比,该算法可有效减少网络通信量,降低节点能耗。     

鲁棒性的模糊聚类神经网络

针对模糊聚类神经网络FCNN(fuzzy clustering neural network)对例外点(outliers)敏感的缺陷,通过引入Vapnik's ε-不敏感损失函数,重新构造网络的目标函数,并根据拉格朗日优化理论推导出新的鲁棒模糊聚类神经网络及其算法(robust fuzzy clustering neural networks,简称RFCNN).RFCNN有效地克服了FCNN对例外点敏感之缺点并且能得到合理的聚类中心.仿真实验结果表明,RFCNN较之于FCNN有更好的鲁棒性.     

一种基于空间相依性的移动对象聚类算法

移动对象的聚类算法,要求能够适应移动对象移动模式动态变化的特点.针对该问题,提出了一种基于空间相依性的移动对象聚类算法.该算法首先计算移动对象之间的空间相依度,空间相依度考虑了移动对象之间的移动速度、方向及位置.当用户之间的空间相依度大于某一阈值时,认为对象之间可达,所有相依度可达对象划分为同一个群组,从而实现移动对象聚类.算法采用一段时间内对象的平均速度和方向代替即时速度和方向,能够有效降低重新聚类次数.实验及分析表明,该算法能够体现移动对象的移动特性,对于移动对象的聚类具有较高性能.     

基于模糊聚类算法的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法。利用隶属度函数,构造了一个分布函数,根据分布函数对训练数据进行抽样,用所抽得的数据作为个体神经网络的训练样本,多个个体神经网络构成神经网络集成,集成的输出采用相对多数投票法。理论分析和实验结果表明,该方法对模式分类能取得较好的效果。     

基于统计检验的模糊聚类神经网络

针对模糊聚类神经网络FCNN原有学习算法对初值敏感性、吸引域不灵活和稳定点不合理等局限性。本文提出基于统计检验的模糊聚类神经网络FCNN-ST。通过引入T平方抽样的单峰分布模式统计检验逐步调整网络结构。确定最佳聚类数c。并使算法的稳定点趋于合理的聚类中心。仿真结果表明。FCNN-ST具有较好的鲁棒性。     

不确定对象的人工神经网络自学习控制方法

利用模糊控制的思想,将误差、误差变化及加速度作为输入,建立一个神经网络控制器,对具有不确定性控制对象提出了一种自学习模糊神经网络控制方法.并将此方法用于焊接熔池动态过程控制的有效性试验.     

基于径向基神经网络用于中医舌诊诊断的研究

研究基于聚类分析的径向基神经网络用于中医舌诊诊断,构建一个中医舌诊智能诊断的神经网络模型。先对输入样本集进行数据归一化处理,采用K—means聚类算法对样本集进行聚类分析,得到聚类中心的位置和数量,再构建RBF神经网络进行学习、训练。以肝病病证诊断进行仿真。实验结果表明：该中医舌诊智能诊断模型具有诊断能力强、收敛速度快、泛化能力强等特点。因此,基于聚类分析的径向基神经网络用于中医舌诊诊断的研究是可行的、有效的。     

Fault Diagnosis Using Wavelet Neural Networks

Wavelet neural networks are a class of neural networks consisting of wavelets. This paper presents a novel universal tool for fault diagnosis and algorithms for wavelet neural network construction are proposed. Using the model of wavelet neural networks, we can not only extract the features of system but also predict the development of the fault.     

BP网络在复杂系统建模中的应用

本文介绍了在利用ＢＰ网络进行系统的仿真时，所采用的一种时间相关数据组织方法和一种对网络训练结果交叉确认的误差检查方法，作者将两者结合起来，完成了一反应器系统的仿真实例。并给出了仿真结果。     

Feature Selection Using Probabilistic Neural Networks

Selection of input variables (features) is a key stage in building predictive models. As exhaustive evaluation of potential feature sets using full non-linear models is impractical, it is common practice to use simple fast-evaluating models and heuristic selection strategies. This paper discusses a fast, efficient, and powerful non-linear input selection procedure using a combination of probabilistic neural networks and repeated bitwise gradient descent with resampling. The algorithm is compared with forward selection, backward selection and genetic algorithms using a selection of real-world data sets. The algorithm has comparative performance and greatly reduced execution time with respect to these alternative approaches.     

改进型RBF神经网络的多标签算法研究

针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huff man树来选取初始聚类中心以防k-均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.     

Using Neural Networks to Modularize Software

This article describes our experience with designing and using a module architecture assistant, an intelligent tool to help human software architects improve the modularity of large programs. The tool models modularization as nearest-neighbor clustering and classification, and uses the model to make recommendations for improving modularity by rearranging module membership. The tool learns similarity judgments that match those of the human architect by performing back propagation on a specialized neural network. The tool's classifier outperformed other classifiers, both in learning and generalization, on a modest but realistic data set. The architecture assistant significantly improved its performance during a field trial on a larger data set, through a combination of learning and knowledge acquisition.     

模糊神经网络建模方法的研究

近年来神经网络在建模中得到了广泛地应用,但其学习过程需要大量的训练样本以保证其结果的正确性,在工业过程建模中,神经网络因可采集与训练样本数少,且信息不全等困难,难以建立一定正确度的模。针对这一问题,本文以Ｇａｕｓｓ函数为隶属度函数形式改进模糊聚类的Ｃ－平均法,提出了模糊ＣＧ－平均法,对一同组数据的聚类结果证明了此方法的有效性,模糊神经网络在化工中的研究尚处于初级阶段,本文将模糊ＣＧ－平均法与神经网络结合,构造由模糊化层、隶属度生成层、推理层及反模糊化输出层构成的模糊神经网络,实例表明本文所构造的模糊神经网络在使用较少训练样本的条件下仍能取得理想的结果,有助于直接从生产中建立所需的模型。     

BP神经网络及其在数据分类中的应用

BP神经网络模型是一种典型的前向型神经网络,具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力,是目前应用最为广泛的一种神经网络模型。本文介绍了BP神经网络的实现以及其在数据挖掘分类方面的应用。     

Discovering Trends in Large Datasets Using Neural Networks

A novel knowledge discovery technique using neural networks is presented. A neural network is trained to learn the correlations and relationships that exist in a dataset. The neural network is then pruned and modified to generalize the correlations and relationships. Finally, the neural network is used as a tool to discover all existing hidden trends in four different types of crimes (murder, rape, robbery, and auto theft) in US cities as well as to predict trends based on existing knowledge inherent in the network.