基于多项式前向神经网络的网络安全检测机制

随着互联网的不断发展,校园网络已成为学生学习、教师工作、学校管理的重要基础设施。但同时,网络攻击也不断增加,给校园网络安全带来了巨大的挑战。为了解决这一问题提出了一种基于多项式前向神经网络的校园网络安全检测机制,该机制使用前向神经网络对校园网络中的数据流进行监测,并通过多项式函数对数据流进行建模和分类。实验证明,该机制能够有效地检测和防范校园网络中的各种攻击行为,具有很高的实用性和可靠性。

前向神经网络隐含层节点数的一种优化算法

由于前向神经网络隐含层节点数的确定尚无理论依据,为此提出一种基于黄金分割原理的优化算法,首先确定网络隐含层节点数频繁出现的区间范围;将网络总误差作为试验结果,然后利用黄金分割法搜索其区间中的理想数值;兼顾高精度的需要,将隐含层节点数频繁出现的区间作拓展,可以求得逼近能力更强的节点数。算法分析和仿真例子表明,此优化算法是切实可行的,不仅能找到理想的隐含层节点数,而且能起到节省成本、提高搜索效率等功效。

利用人工鱼群算法优化前向神经网络

人工鱼群算法(AFSA)是一种最新提出的新型的寻优策略,文中尝试将人工鱼群算法用于三层前向神经网络的训练过程,建立了相应的优化模型,进行了实际的编程计算,并与加动量项的BP算法、演化算法以及模拟退火算法进行比较,结果表明AFSA具有鲁棒性强,全局收敛性好,以及对初值的不敏感性等特点。

改进的单层前向神经网络用于核电百万千瓦级汽轮发电机的故障诊断

为对核电百万千瓦级汽轮发电机进行故障诊断 ,本文作者提出了一种“改进的单层前向人工神经网络 ,”这种神经网络克服了常规的单层前向神经网络仅是线性可分及学习过程中需重复提交一系列要记忆的输入模式来调整权值之不足 ,从而大大减少了分类时的迭代次数。本文在独特设计的多功能“核电百万千瓦级汽轮发电机”轴系振动模拟试验台上验证了这种方法的有效性。

球磨机混合优化前向神经网络PID解耦控制系统

针对球磨机制粉系统的多变量、强耦合、非线性和时变性等特点,提出球磨机的混沌PSO与BP混合优化前向神经网络PID解耦控制系统。在这种控制器中,PID控制器的控制参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整。仿真结果表明该控制方法跟踪快、鲁棒性强、解耦好,控制品质优于传统PID解耦控制方法,较好地解决了球磨机的时变性、耦合性等问题。

Laguerre正交基前向神经网络及其权值直接确定法

根据多项式理论,构造了一种以Laguerre正交多项式作为隐层神经元激励函数的前向神经网络模型.根据标准BP算法,导出了权值修正的迭代公式(包括标量形式和矩阵形式).区别于这种需要迭代训练获得最优权值的方法,针对该网络模型,进一步提出了一种基于伪逆的直接计算权值的方法.该权值直接确定法避免了以往的权值反复迭代训练的冗长过程.仿真结果显示其具有比传统的BP迭代法更快的计算速度,并且能够能达到更高的工作精度.

基于前向神经网络的图像检索相关反馈算法设计

相关反馈技术是近年来较为重要的图像检索方法 .该文从机器学习的角度出发 ,提出了一种基于神经网络的相关反馈算法 .在检索过程中 ,用户可以标记出与查询图像相似的正例样本反馈给系统 ,然后由系统构造出前向神经网络并再次进行检索 ,以改进查询结果 .该文对用于训练前向神经网络的构造性算法在图像检索中的几何意义进行了深入的研究 ,并在此基础上给出平移算法、反例标记学习算法、球半径系数自适应算法等 ,从而使基于神经网络自学习的相关反馈算法更加完善 .实验表明 ,改进后的算法在图像检索中具有更好的性能和更强的推广能力 .

幂激励前向神经网络最优结构确定算法

针对一种以幂函数序列为各隐神经元激励函数的前向神经网络,提出了一种基于权值直接确定方法的网络最优结构确定算法。计算机仿真与验证结果表明,该算法能自动、快速、有效地确定网络的最优隐神经元数,达到网络的最佳逼近能力,从而实现网络结构的最优化。

两输入幂激励前向神经网络权值与结构确定

基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型。以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法。计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力。

一种基于多层前向神经网络的谐波检测方法

谐波幅值和相位是有源滤波中的两项关键检测参数,两者均可由人工神经网络实现非线性映射。提出了一种用多层前向神经网络(MLFNN)来同时实现对两项参数进行测量的方法,并构造了一隐层采用正切函数,输出层采用线性函数的三层前向神经网络来进行仿真,以3次谐波为例阐述了该神经网络的训练方法和训练样本的组成。利用Matlab提供的工具箱,先用训练样本对神经网络进行训练,然后测量构造的未训练样本,其结果验证了方法的有效性。与传统FFT谐波检测方法的仿真比较表明:该方法在实时谐波检测中具有较高的精度和灵活性,且对采样数目没有严格限制,离线训练好的MLFNN可以适用于谐波源固定的场合。

实数编码遗传算法的前向神经网络优化设计

提出一种综合控制策略的实数编码遗传算法,用该算法实现对前向网络结构及权值的同时优化设计。用非线性函数的逼近问题作仿真实验。结果表明,该算法能快速有效地确定网络结构及权值。

多层前向神经网络的新型二阶学习算法

提出了多层前向神经网络的新型二阶递推学习算法 .该算法不仅能使网络各层误差而且使二阶导数信息因子反向传播 .证明了新算法等价于Newton迭代法并且有二阶收敛速度 .它实现了Newton搜索方向和Hessian阵逆的递推运算 ,其计算量几乎与普通递推最小二乘法相当 .由算法性能分析证明新算法优于Karayiannis等人的二阶学习算法 .

多层前向神经网络的快速学习算法及其应用

针对目前多层前向神经网络学习算法存在的不足 ,提出一种多层前向神经网络的快速学习算法 ,它不仅符合生物神经网络的基本特征 ,而且算法简单 ,学习收敛速度快 ,具有线性、非线性逼近精度高等特性。以二杆机械手逆运动学建模作为应用实例 ,仿真结果表明该方法是有效的 ,其算法与收敛速度更优于 BP网络。

多层前向神经网络的自适应禁忌搜索训练

针对BP算法属于局部优化算法的不足,提出了一种新的全局优化算法——自适应禁忌搜索作为前向神经网络的训练算法。该算法通过邻域和候选集的相互配合,动态地调整候选集中分别用于集中性搜索与多样性搜索的元素个数,提高了算法运行的质量和效率。以经典的异或问题(XOR)为例,进行了对比研究。实验结果表明,该算法与BP算法相比明显提高了网络的收敛概率和收敛精度。

模型预测前向神经网络算法及其在组合导航中的应用

针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05 m/s,+0.05 m/s]和[-5 m,+5 m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。

前向神经网络的神经元分层逐个线性优化快速学习算法

本文提出了一种新的前向神经网络快速分层学习算法 .在此学习算法中 ,其优化策略为对输出层和隐层神经元的连接权值交替优化 .对输出层权值优化算法采用基于广义逆的最小二乘递推算法 ,对隐层神经元的连接权值采取则对每个神经元逐个进行优化 ,而且采用正交变换加快每一步学习的计算速度和提高算法的数值稳定性 .当学习过程停滞时采用随机扰动的方法摆脱过早收敛 .数值实验表明 ,与BP动量因子法、牛顿型方法和现有的分层优化算法相比 ,新算法不仅学习速度快学习时间短 ,而且当网络规模增大时仍然比较有效 .

遗传算法及其在训练前向神经网络中的应用

本文论述了遗传算法的基本原理、操作及算式，并以一个识别部分英文字母的多层前向神经网络为例，给出了用遗传算法训练网络、优化网络权值的方法和步骤，实验结果表明了这一方法的有效性。

多元多项式函数的三层前向神经网络逼近方法

该文首先用构造性方法证明:对任意r阶多元多项式,存在确定权值和确定隐元个数的三层前向神经网络,它能以任意精度逼近该多项式,其中权值由所给多元多项式的系数和激活函数确定,而隐元个数由r与输入变量维数确定.作者给出算法和算例,说明基于文中所构造的神经网络可非常高效地逼近多元多项式函数.具体化到一元多项式的情形,文中结果比曹飞龙等所提出的网络和算法更为简单、高效;所获结果对前向神经网络逼近多元多项式函数类的网络构造以及逼近等具有重要的理论与应用意义,为神经网络逼近任意函数的网络构造的理论与方法提供了一条途径.

基于免疫遗传算法的多层前向神经网络设计

利用一种基于免疫功能的遗传算法,设计多层前向神经网络,用于实现多层前向神经网络结构的确定和权值空间的搜索。仿真实验结果显示该算法具有比遗传算法和动量BP算法更好的全局收敛性和快速学习网络权值的能力。

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.