基于滑动平均与规则决策的卷积神经网络图像分类

卷积神经网络(CNN)及其变体模型应用于图像分类技术,因其大量的训练参数导致CNN模型训练过于复杂,增加了成本开销,也易产生梯度消失或梯度爆炸问题。为此,提出滑动平均和规则决策的卷积神经网络模型,并将其应用于图像分类中。将特征映射层与感知器网络(MLP)层结合,利用滑动平均对网络层之间的权重参数进行调整,并对预测目标采用置信度规则策略实现决策优化,提升模型的泛化性能。试验结果表明:滑动平均和规则决策的卷积神经网络模型具有更好的鲁棒性和分类效果。

基于免疫原理的多Agent故障诊断系统

随着系统设备和功能的日益复杂化,各种故障现象成因越来越复杂,现有固定的诊断推理模型却难以满足复杂系统诊断面临的全部要求。针对故障诊断系统难以适应动态变化环境的缺点,该文以励磁设备的在线故障诊断为背景,研究故障识别的症兆与诊断决策置信度之间的机制,借鉴生命体的相似性原理与免疫应答的调节理论构造诊断模型重构控制的细胞免疫型结构模型,研究免疫型诊断模型的选择激励与重构动力,提高诊断系统确诊率,设计基于免疫原理的多Agent故障诊断系统,为复杂的电气设备诊断开发提供便捷的工具。

DMCS:一种新的多分类器系统模型

论文提出了一种新的多分类器系统模型,该模型通过定义两个基本分类器实时性能指标———实时决策支持度和实时决策置信度,在多分类器系统基础上构建临时的动态子系统,然后由该子系统代替初始多分类器系统来完成融合决策。动态子多分类器系统模型是一种不同于传统动态分类器选择和分类器联合方法的新模型,其能够更有效地排除不稳定基本分类器对多分类器系统融合决策性能的影响。试验表明该模型在模式识别性能上能够获得较好的性能,鲁棒性和可靠性比基本分类器和传统多分类器系统方法更强。

一种自适应子融合集成多分类器方法

融合集成方法已经广泛应用在模式识别领域,然而一些基分类器实时性能稳定性较差,导致多分类器融合性能差,针对上述问题提出了一种新的基于多分类器的子融合集成分类器系统;该方法考虑在度量层融合层次之上通过对各类基多分类器进行动态选择,票数最多的类别作为融合系统中对特征向量识别的类别,构成一种新的自适应子融合集成分类器方法;实验表明,该方法比传统的分类器以及分类融合方法识别准确率明显更高,具有更好的鲁棒性。