基于差异性度量的选择性神经网络集成

基于神经网络间的差异性,提出一种选择性神经网络集成方法.该方法利用差异性度量,选择满足一定条件的个体神经网络组成神经网络集成,选出的个体神经网络既满足个体的精度要求,又满足个体神经网络之间的差异性要求.理论分析和实验结果表明,利用该方法能够提高神经网络集成的分类识别率.     

灰色神经网络模型在高校招生预测中的应用研究

灰色神经网络就是将灰色系统方法与神经网络方法有机地结合起来,对复杂不确定性问题进行求解所建立的模型.结合灰色预测方法与神经网络预测方法,对四川省普通高等学校每年所招收新生人数进行预测.结果表明此种组合模型的精度较高,且具有灰色系统的少数据建模优点及神经网络的精度可控特性.     

信息理论框架下的神经网络构建

神经网络模型的构建方法是神经网络研究的重点和难点,传统的构建方法建立在实验和重复学习的基础上,本文提出了一种信息理论框架下的神经网络构建方法基于熵的神经网络(EBNN).EBNN借助于前馈网络与决策树的等价性,采用熵做为神经网络构造的准则,利用决策树的构造思想和方法,建立了一种系统的神经网络构造方法.实验表明EBNN方法学习速度比传统BP网络快,但又不降低神经网络性能.     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

基于LVQ神经网络算法的脱机手写数字识别研究

针对BP神经网络进行脱机手写数字识别所存在的问题,提出用自组织竞争神经网络(LVQ)对脱机手写数字识别的方法.介绍了LVQ神经网络算法,并构建了LVQ神经网络的识别模型,用Matlab软件进行了仿真.将获得的仿真结果数据与BP神经网络的测试结果进行对比分析,发现LVQ神经网络对脱机手写数字的识别率明显高于BP神经网络,且收敛速度更快.该方法在脱机手写数字识别领域具有一定的可行性与指导性.     

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.     

基于组合神经网络的网络入侵检测

提出了一种构造组合神经网络的方法.该方法包括两个步骤,先在粗糙集约简的基础上确定单个神经网络的结构,以及在组合时要包含神经网络的个数;然后将这些分类器根据属性重要性组合起来.用该组合神经网络进行网络入侵检测,实验结果表明该组合方法是一种有效的入侵检测方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

武器装备研制阶段费用预测方法及仿真

提出一种基于小波神经网络的武器装备研制阶段的费用预测方法.建立小波神经网络预测模型,并推导该模型的预测算法.应用一组美军反舰导弹数据进行仿真预测.结果表明,小波神经网络方法比传统BP网络方法平均预测误差减小了1%,收敛速度加快了3倍.