基于熵准则的神经网络设计方法

神经网络的结构设计一直是研究者关注的基本问题．提出了一种构造神经网络的方法——EBNN．该方法采用熵作为第一层神经元的选择准则,在选择第一层神经元的同时可以得到隐层和输出层的神经元,并对神经网络参数进行合理的初始化．该方法不仅能有效地建立神经网络的结构,还提供了信息性增量学习的可能性．     

基于云理论神经网络决策树的生成算法

提出了一种基于五层云神经网络的决策树生成方法.运用五层云神经网络学习变量间的云映射关系,从中生成云决策树.给出了神经网络的学习算法和云决策树的推理方法,这种方法不但具有神经网络的学习能力,而且结合云理论处理知识的不确定性的能力.该方法利用了五层云神经网络学习后的云映射强度,并能实现云决策树的剪枝优化,提高了算法的正确率.     

基于决策树的神经网络规则抽取方法

将从神经网络中抽取一个可理解的模型视为一个归纳学习任务 ,其中 ,目标概念就是神经网络表达的功能 ,所生成的可理解模型是一个能很好近似神经网络的决策树 .在这个过程中 ,应用了决策树归纳学习的优化原则 ,使得生成的决策树能最简洁、准确地描述神经网络学到的知识 .实验证明 ,生成的决策树可以很好地近似神经网络 ,且比用传统方法生成的决策树具有更好的分类精度 ,同时NNtoDT算法也保持了具有较好的通用性和可扩充性的特性 .     

人工神经网络预测固体化合物中阳离子的标准熵

用2个描述符作为神经网络的输入参数,用这些结构描述符和35种固体化合物阳离子标准熵建立了神经网络模型,建立的贝叶斯正则化网络和径向基网络整体性能稳定,预测准确度高,是一种很好的预测阳离子标准熵的方法.     

一种改进ID3型决策树挖掘算法

分析经典ID3型决策树挖掘算法中存在的问题,对其熵值计算过程进行改进,构建一种改进的ID3型决策树挖掘算法.重新设计决策树构建中的熵值计算过程,以获得具有全局最优的挖掘结果,并针对UCI数据集中的6类数据集展开挖掘实验.结果表明:改进后的挖掘算法在决策树构建的简洁程度和挖掘精度上,都明显优于ID3型决策树挖掘算法.     

基于决策树神经网络模型的电力变压器故障诊断方法

根据对变压器常见故障原因及危害程度的分析,构造了电力变压器故障诊断决策树．其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并在决策树的不同分支中选用不同的神经网络单元模块作为基本分类器,建立组合神经网络模型,实现了对故障的多分辨识别．该方法克服了以往单神经网络模型在结构复杂性和学习难于收敛方面的不足,大大提高了故障分析的准确度．应用结果表明该系统模型是富有成效的     

基于深度学习的车标识别算法的研究与实现

依据深度学习算法可以自主进行特征学习和识别的特点,提出一种基于Keras深度学习框架的车标识别算法。将该方法将ResNet50和Inception V3两模型相结合构建训练网络,以此建立分类器对车标图像进行识别。实验结果表明,该方法与传统的卷积神经网络分类进行比对,提高了车标识别的准确率。     

一种配电自动化系统状态操作评价方法

随着智能配电网的发展,配电自动化系统投运日益增加,迫切需要对配电自动化系统的状态操作情况进行综合评价。研究在建立配电自动化系统状态操作评价分层指标体系的基础上,首先对指标数据进行聚类分析,以训练决策树指标分类器,便于自动分析状态操作情况的不同类别模式。然后对各指标应用熵权法进行赋权,利用该加权结果和指标数据构造综合评价的训练样本集。最后运用多元回归算法学习建立每类模式下配电自动化系统状态操作的评估模型。实验结果表明,采用上述方法构建的评价模型能较客观反映配电自动化系统在相应时间断面的综合状态操作水平,且比传统神经网络模型准确度更高,可为配电自动化系统的运行管理提供有效评价手段和决策依据。     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

一种基于BP网络的改进

BP神经网络存在其固有的缺陷:收敛速度慢、易陷入局部极小、网络结构难以确定等.本文针对BP网络学习速度慢的缺点.用熵函数作为误差函数来对BP算法进行改进,提高了收敛速度和稳定性.通过对标准BP网络和相对熵方法在不同学习速率上收敛速度的比较实验证明,相对熵BP网络在收敛速度和稳定性方面有着明显的优越性.     

基于决策树构造神经网络的方法及应用

基于知识的神经网络KBNN(Knowledge-Based Neural Network)在提高神经计算性能方面效果显著,其构造方法基于已得的规则.利用决策树对数值数据的分割能力和神经网络准确的逼近收敛能力,提出了一种利用C4.5决策树从数据中自动提取规则生成神经网络的构造方法.该方法易于构造、收敛速度快、精度较高,在高速公路路面破损智能识别系统中使用效果良好.     

多分类问题的RBF 二叉神经树网络方法

神经网络是一种普遍使用的分类方法。当类别数目较大时 ,神经网络结构复杂、训练时间激增、分类性能下降。基于两类问题的树网络多分类方法将两分类方法和判决树相结合 ,利用两分类方法来减少神经网络的训练时间 ,利用树型分类器来提高识别率。提出了一种多分类问题的二叉神经树网络结构和训练算法。利用两分类网络的训练结果对类别进行排序处理 ,并应用排序后的类别序号构成树型分类器 ,使可分性最差的类别的识别率提高最大 ,从而提高了整体分类性能。使用径向基函数 ( RBF)网络作为节点网络 ,使节点网络结构适应两类间的可分性 ,从而最终优化了神经树网络的结构。仿真实验表明该方法的分类性能优于现有方法     

人工神经网络技术在矿区土地复垦中的应用

针对中国土地复垦起步晚，新技术与新理论应用较少的问题，研究利用人工神经网络来辅助土地复垦的决策。介绍了利用自组织映射神经网络的自动分类功能对进行矿区土地复垦条件分类，为因地制宜地采取复垦措施提供依据。然后，基于BP神经网络，选取评价因子，通过对已有经验的学习，对复垦土地适宜性进行评价，并与传统的方法相比较，研究结果表明，利用人工神经网络辅助矿区土地复垦决策是可行的。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于CNN(Convolutional Neural Networks)和改进SDAE(Stacked Denoising Autoencoders)的混合网络模型,根据改进的D-S证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明,利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

决策树与神经网络结合的入侵检测系统模型研究

入侵检测系统是保证网络信息安全的有力手段,文中提出一种结合决策树和神经网络的入侵检测系统框架。决策树分类方法把数据集划分为正常数据和入侵数据,并作为训练集分别用神经网络进行训练,改善了系统的检测精度并提高了对未知数据的检测能力。离线训练后的系统可以实现网络数据的实时检测,通过实验证明了此系统很好的检测效果和自适应能力。     

基于神经网络的智能DSS研究

决策支持系统(DSS)是综合利用大量数据、有机组合众多模型、通过人机交互、辅助各级决策者实现科学决策的系统。神经网络是由大量类似于神经元的处理单元相互连接而成的非线性复杂网络系统。它的应用涉及到模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统,特别是神经网络和决策支持系统结合可以实现推理系统的自适应并行联想推理及数据开采的自动化。将专家系统引入神经网络智能决策支持系统中是DSS未来的发展方向。     

基于带偏差递归神经网络蛋白质关联图的预测

针对BP神经网络在学习速度方面的不足, 在Jordan和Elman网络结构的基础上, 提出一种带偏差单元的递归网络模型, 根据BP算法推导出该网络模型的权系数调整规则, 并应用该网络模型进行了蛋白质关联图预测的仿真分析. 结果表明, 该网络模型的收敛速度比一般BP网络有很大提高, 具有一定的实用性.     

神经网络在CB油田储层预测和储层厚度计算中的应用

根据ＣＢ油田的特点提出了利用神经网络进行储层预测和计算地层厚度的方法。将传统的储层预测方法与人工神经网络相结合，能较好地解决ＣＢ油田的储层预测问题。利用神经网络的非线性映射特点实现了地震特征与地层厚度之间的映射，从而可以准确地求取地层厚度。用该方法设计了２口探井，实际钻井结果表明，这种方法的预测结果准确、可靠。     

基于模糊神经网络的航运运价指数预测

为航运市场的参与者提供准确和高效的预测模型及决策支持,以BDI指数为研究对象,分析其时间序列数据所包含的内部信息和统计特征,采用模糊数理技术与神经网络技术,为BDI指数建立模糊神经网络模型.相比传统神经网络,模糊神经网络对于BDI指数时间序列在预测能力上的表现更优.     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。