基于模糊神经网络的复杂网络故障诊断设计

针对雷达等复杂大型电子装备网络系统的故障定位难、影响关系不清晰的问题,采用了基于模糊神经网络的故障定位方法,提高了网络故障定位的快速性与准确性：首先介绍了模糊隶属度及模糊神经元等理论,接着基于模糊理论将网络监测信息进行模糊化处理,并利用神经网络模型对模糊后的信息进行训练与学习,参数训练达到设置的期望误差0.01;最后利用训练好的模型对随机抽取的2组网络故障实例进行了验证,软件执行单次诊断耗时3.5s;结果表明采用基于模糊神经网络的诊断方法,能够较好解决网络故障耦合复杂、故障现象与故障原因关系不清晰等难题,对网络故障快速排除与恢复具有重要意义。     

基于模糊综合支持向量机的特高压变电站二次设备状态评估

针对超高压变电站二次设备状态检修科学依据不足的问题,给出了一种基于模糊综合支持向量机的二次设备状态评估模型. 对综合自动化系统上传的在线告警信息和检修报告中的离线信息进行了分析,采用模糊综合分析实现对各种评估因素的有效利用和信息提取,在此基础上运用改进型SVM 对二次设备状态进行评估.在SVM 评估过程中,对三种不同核函数进行了实验分析,选取RBF 作为模型的核函数. 实验结果证明,模糊综合支持向量机评估模型的提高了二次设备状态评估正确率.     

语音情感智能识别的建模与仿真

语音情感信息具有非线性、信息冗余、高维等复杂特点,数据含有大量噪声,传统识别模型难以消除冗余和噪声信息,导致语音情感识别正确率十分低.为了提高语音情感识别正确率,利用小波分析去噪和神经网络的非线性处理能力,提出一种基于过程神经元网络的语音情感智能识别模型.采用小波分析对语音情感信号进行去噪处理,利用主成分分析消除语音情感特征中的冗余信息,采用过程神经元网络对语音情感进行分类识别.仿真结果表明,基于过程神经元网络的识别模型的识别率比K近邻提高了13％,比支持向量机提高了8.75％,该模型是一种有效的语音情感智能识别工具.     

一种用于上下文推理的带反馈的自适应模糊Petri 网模型

自适应模糊Petri 网兼具模糊Petri 网的模糊推理能力和神经网络的学习能力,是普适计算的模糊情境推理机制的重要的形式化规约工具.但该模型依赖于离线训练数据集,无法适应动态变化的普适智能环境.在自适应学习Petri 网模型中嵌入反馈机制,并对将模糊逻辑引入对上下文的表示,利用神经网络的反向传播学习方法对隶属度函数的参数进行学习,提高了模型的场景适配和个性化自学习能力.通过设计服务推荐系统,建立了模型仿真与验证实验环境.实验结果表明,该方法可以有效提高系统学习能力,进而提高推理正确率.     

神经网络在信息安全风险评估中应用研究

针对信息安全风险评估具有非线性、不确定性等特点,采用传统的数学模型进行信息安全的风险评估存在-定的局限性.为了提高安全风险评估性能,将RBF神经网络理论、粒子群算法分析以及模糊评价法进行有机结合,建立了一种粒子群优化的RBF神经网络信息安全风险评估模型.首先通过模糊系统对信息安全风险因素指标进行量化,将模糊系统的输出输入到RBF神经网络的模型中,然后利用粒子群算法对RBF神经网络的参数进行优化并加以训练,最后得到优化评估模型.进行仿真的结果表明,改进的RBF神经网络模型可实现对信息系统的风险评估,解决了传统评估方法所存在的主观随意性大、结论模糊等缺陷,并且比RBF神经网络具有更高的拟合精度、更强的学习能力和更快的收敛速度.     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

基于模糊神经网络的抽油机故障诊断方法

将模糊逻辑与神经网络相结合,构造模糊神经网络,将神经网络输入层的确定性信息模糊化后变成模糊量,将故障征兆参数相对应的隶属度数值作为神经网络的输入,从而使神经网络更加适合设备故障描述,克服了神经网络对不精确信息表达的缺点。提出基于黄金分割法的变步长BP算法来训练神经网络,根据误差变化趋势动态调整学习速率,实现学习步长的自适应调整,提高网络收敛的速度,防止网络训练时陷入局部极小。将训练好的模糊神经网络应用于抽油机设备的故障诊断,取得良好效果。     

基于T-S模糊神经网络模型的汉中段汉江流域水质评价与分析

为了有效对汉中段汉江流域水质进行监控和评价,采用一种智能T-S模糊神经网络模型进行水质综合评价。利用建立的T-S模糊神经网络模型对水质评价标准进行训练;利用训练好的神经网络模型,选取汉江流域汉中段18个监测点的7项评价指标的监测数据,对该段水质进行综合评价。结果显示,汉水流域汉中段水质相对较好,除濂水河濂水桥监测站外,其余站点均属于Ⅰ类或Ⅱ类水质。通过计算机实验发现,该模型具有避免人工干预、提高水质评价精确度的优势。     

神经网络在音乐分类中的应用研究

针对音乐的多样性和不确定性,使传统分类方法在大规模的实际音乐分类应用中速度慢、正确率低.为了提高音乐分类的正确率和分类精度,提出一种基于神经网络的音乐分类方法.首先采用倒谱系数提取音乐特征,选择最优的特征信号,加快识别速度,然后利用BP神经网络模型对特征信号进行训练,建立最优分类器模型,最后对测试音乐进行分类.对民歌、古筝、摇滚和流行四种音乐进行仿真实验,神经网络分类方法平均分类正确率达88.6%,比传统方法的分类正确率高出5%,同时速度也相应加快.结果表明,神经网络分类方法是一种有效的音乐类型分类方法.     

深度卷积神经网络在Caltech-101图像分类中的相关研究

目前,国内关于评估预训练与微调对卷积神经网络性能影响的研究较少。基于此,提出采用Caffe框架中的Caffe Net网络结构,将卷积神经网络用于图片物体识别。为更直观分析计算过程,将卷积网络中部分隐含层特征进行了可视化,并在Caltech-101数据集上分析了随机初始化与预训练模型初始化条件下深度卷积的分类效果,以及全局微调模式与局部微调模式对图像分类的影响。结果表明,预训练模型初始化能够极大提高收敛速度和识别正确率,全局微调模式能较好地拟合新的样本数据,同样提高了识别正确率。在Caltech-101数据集上获得了95.24%的平均识别率,更加有效地优化了图像识别过程。     

神经网络的企业信用风险评估应用研究

研究企业信用风险评估准确性问题,企业存在产品质量、不良贷款等信用风险问题,企业信用风险是多种因素的综合结果,存在着不确定、非线性、随机性等特点,无法建立确定数学评估模型。只能根据专家评估指标为依据。为了提高企业信用风险评估准确率,提出一种BP神经网络的企业信用风险评估方法。先采用层次分析法构建风险评估指标体系,再用专家系统对评估指标进行量化打分,最后采用BP神经网络对企业信用风险指标进行非线性学习,并对企业信用风险等级进行评估。实验结果表明,BP神经网络的企业信用风险评估模模型能显著提高评估准确率,并能够反映企业信用风险的随机性变化特点,使评估结果更加符合实际情况,为企业信用风险评估提供了参考。     

基于神经网络的高校学生信用模糊评价研究

本文为更有效地对高校学生信用进行综合评价,建立了高校学生信用评价多级指标体系,提出了一种基于神经网络的评价模型。模型将模糊理论引入神经网络,通过神经网络的学习训练来调整模糊数学中的相应参数,以有效地模拟模糊综合评价的过程,对信用评价的定性过程而言,具有一定的合理性。     

企业信用评估信息系统的设计与实现

介绍企业信用评估信息系统的设计与实现。该系统采用基于BP神经网络的企业信用评估模型,利用移动Agent技术收集和处理企业信用信息,用Java语言设计网络程序和用户界面,实现了企业信用评估信息管理的计算机化。     

科技企业人才孵化效率的S-FNN评价研究及应用

为科学测评科技企业孵化器的人才孵化效率,提出科技企业人才孵化效率S-FNN评价模型。在研究科技企业人才孵化基本过程的基础上,构建了科技企业人才孵化效率评价指标体系;运用模糊减聚类法对网络规则进行处理,减少神经网络规则数目,以免参数膨胀导致网络难以训练,采用粒子群与遗传算法确定模糊网络参数值;运用模糊神经网络对科技企业人才孵化效率进行综合评价;通过应用案例验证了该评价模型的有效性和可行性。     

第三方网上支付企业核心竞争力评价

通过对网上支付行业环境、产业链和主要企业的分析,构建了具有14个评价指标的第三方网上支付企业核心竞争力评价指标体系。设计了BP神经网络模型,选择了6家样本企业进行训练、3家企业进行测试,并运用BP神经网络模型定量识别第三方网上支付企业核心竞争力强弱。研究表明:BP评价模型与传统的线性评价模型相比,具有更高的动态性和自学习性,评价结果误差小,精度高,能充分反映第三方网上支付企业核心竞争力的真实状况,为第三方网上支付企业核心竞争力的打造提供了基准,同时对第三方网上支付企业核心竞争力进行定量评价开辟了一条新途径。     

基于RBF神经网络模型的信用评估

采用神经网络模型研究信用风险评估问题,鉴于RBF神经网络计算量小、学习速度快,不易陷入局部极小而且具有很强的分类能力等优点,提出基于RBF神经网络的信用评估模型,通过试验该模型展现了良好的性能.     

基于改进型BP神经网络的信用评估系统研究

通过研究企业信用评估中的模型问题,为企业经营活动和决策过程提供信息支持。介绍了几种常用的信用评估模型,通过分析它们在评估中的缺陷,提出基于改进型BP神经网络的信用评估模型。在建立指标体系和输出机制的基础上,讨论了基于信用评估模型的评估系统的设计与实现。对模型和评估系统的不足进行了分析,并提出了改进建议。     

基于BP神经网络的企业信用评价研究

简单介绍了企业信用评价的一般模型以及BP神经网络的基本结构，在此基础上给出了一个具体的基于BP神经网络的企业信用评价模型。它把用来描述某类企业信用评价对象特征的信息作为神经网络的输入向量。而把代表相应综合评价结果的值即信用等级作为神经网络的输出，并用足够的样本训练这个网络，使不同的输入向量得到不同的输出量值。最后分析了使用BP神经网络技术评价企业信用等级的优越性。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析，在综合分析国内外企业信用评分指标体系的基础上，结合我国企业信用评分的特点，建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展，及信用评分本身所具有的特点，建立了基于径向基函数神经网络的信用评分模型，利用现有数据分别进行判别和分析，研究其计算结果与实际情况的差距，然后使用改进的RBFNN学习算法，对径向基函数神经网络进行了学习训练，得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析,在综合分析国内外企业信用评分指标体系的基础上,结合我国企业信用评分的特点,建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展,及信用评分本身所具有的特点,建立了基于径向基函数神经网络的信用评分模型,利用现有数据分别进行判别和分析,研究其计算结果与实际情况的差距,然后使用改进的RBFNN学习算法,对径向基函数神经网络进行了学习训练,得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。