基于单层感知器的数据挖掘分类的设计和实现

数据挖掘是指从大型数据库或数据仓库中提取人们感兴趣的知识,这些知识是潜在有用信息。分类是数据挖掘重要研究方向之一,其目的就是分析输入数据,通过分析在训练集中的数据表现出来的特性,为每一个类找到一种准确的描述或者模型。怎样用科学合适的方式来解决分类问题,是数据挖掘研究领域的一个热点和难点。通过构造一种单层感知器神经网络的分类方法,对其进行设计分析和仿真实验,用图文并貌的界面形象直观地展示了分类效果,实验表明单层感知器神经网络可有效地进行数据挖掘分类。

基于Python的单层感知器分类算法的实现

分类是一种非常重要的数据挖掘方法,目的是根据训练数据集的属性数据构建分类模型,为预测提供依据。通过python实现单层感知器模型,并利用iris数据验证了构建的单层感知器的训练效果。实验表明,单层感知器可有效进行数据分类。

基于单层感知器的辨识方法及其应用

单层感知器神经网络模型是多层感知器神经网络———ＢＰ网络的基础，对单层感知器学习算法的改进是进行ＢＰ网络学习算法改进的基础。把带遗忘因子的递推最小二乘辩识算法的原理应用到单层感知器的学习算法中，提出了单层感知器的改进学习算法。这一改进算法克服了常规学习算法不适于在线学习的缺点。仿真实验的结果证实，基于改进学习算法的单层感知器完全可以满足线性系统在线辨识的要求。

一种快速的单层感知器网络学习算法

提出了一种单层感知器网络训练的新算法。证明了对于线性可分问题和线性不可分问题,算法总是在有限步内终止,算法的迭代次数以模式数为上界;而且,在算法终止时,对于线性可分问题,总是能得到正确的权向量解,所以,如果在算法结束时还不能划分所有模式,则说明给定的模式集确是不可线性划分的。

单层感知器在自适应均衡中的应用

本文研究了感知器在通信信道均衡中的应用。提出用单层感知器实现信道均衡，以均方对数似然函数为均衡器的性能指标函数，并给出一种新的自适应学习算法用于训练单层感知器的权系数。计算机仿真结果表明本文提出的算法比常用的线性均衡器LMS算法具有更好的收敛性能和均衡效果。

基于单层感知器的彩色图像目标提取方法

针对复杂背景下的彩色图像的目标提取,提出了一种基于单层感知器的目标提取方法。通过建立以颜色分量为输入、阈值型函数为输出的单层感知器网络并训练得到最适权重,实现彩色图像的目标与背景分离。与现有主流目标提取算法进行对比实验,结果表明,该方法能够更加准确、有效地分离目标和背景,且方法适用范围广,实现简单。

一种新型单层感知器

本文提出了一种新型单层感知器。与传统的单层感知器相比，这种新型单层感知器具有更强的学习能力，它能解决传统单层感知器所无法解决的异或问题。另外，由于对学习步长的优化选取，这种新型单层感知器的学习速度要比传统的单层感知器快。

单层感知器实现显示译码器

本文在介绍单层感知器基本模型和七段数码显示管显示原理的基础上,介绍了用单层感知器代替七段数码显示管中的显示译码器的方法,并用matlab模拟了整个网络权值的训练过程。

感知器求解逻辑分类问题方法研究

本文研究在MATLAB环境下 ,利用感知器求解逻辑分类问题。首先阐述单层感知器求解逻辑“与”和逻辑“或”问题 ,其次研究了多层感知器对“异或”问题的求解。结论表明 :在MATLAB环境下 ,利用感知器对逻辑“与”、“或”、“异或”进行求解时 ,网络训练时间短 ,仿真效果好 ,而且能够实现逻辑“与”和逻辑“或”输出的 0误差。

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识,实现了基本逻辑运算,并通过MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类。

基于感知器模型的布尔函数实现

通过对感知器模型的研究,结合数字电路知识实现了基本逻辑运算,同时用MATLAB验证了感知器能够实现逻辑运算,并能进行正确分类。

隐马尔可夫模型的拓朴应用

以非齐次隐马尔可夫模型(Inhomogeneous Hidden Markov Mode1)出发,用自适应函数链神经网络与非齐次隐马尔可夫模型相结合,训练出适用环境变化的HMM模型,并应用该混合模型进行语音识别.实验结果表明,该模型适合于对噪声背景下的语音进行识别,该模型具有更好的鲁棒性,在信噪比较低的情况下,可以提高识别率.

基于深度学习的医学图像识别研究综述

1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。

典型人工神经网络的结构、功能及其在智能系统中的应用

人工神经网络已在各个领域得到广泛的应用 ,尤其是在智能系统中的非线性建模及其控制器的设计、模式分类与模式识别、联想记忆和优化计算等方面更是得到人们的极大关注 .本文从网络在智能系统中建模及控制器设计的具体训练结构入手 ,详细介绍了 BP网络在系统控制中的典型应用方式 ,并根据不同网络所具有的功能 ,从性能对比的角度对人工神经网络在上述各方面的应用给予综述 .

供求关系的可计算模型研究

如何从人工智能的角度来描述人们的意识行为,关键问题是要建立能够正确反映这一事实过程的数学映象,在分别讨论了单层感知器的线性可分性和不可分性的基础上,利用单层感知器对XOR函数的不完全感知特性,建立了供求关系的可计算模型,并揭示了该博弈系统的隐秩序,该模型的建立为博弈过程的计算机仿真创造了条件,并拓宽了感知器的应用范围。

基于稀疏RAM的逼近型N-TUPLE神经网络模型

将单层查找感知器 (SL L UP)中的 RAM式神经元替换为稀疏 RAM神经元 ,获得了一个基于稀疏 RAM的逼近型 N- tuple神经网络新模型 .新模型不仅可以缓和原 SL L UP的存储容量易于饱和的问题 ,而且使网络的表示更灵活、更广泛 ,更重要的是使得 N- tuple类型的网络直接处理大维数的样本、大样本集类的数据真正成为可能 ,而不需要二值化样本 .

直接序列扩频多址通信系统中最佳线性多用户信号检测器研究

本文提出了平均误比特率最小意义下的最佳线性多用户信号检测器，并给出了求解这种最佳线性多用户信号检测器的近似方法──训练单层感知器法。初步的研究结果表明：这种检测器的性能优于以往多种检测器。

时滞系统传感器故障检测的神经网络方法

大型热力系统的控制系统必须能够检测传感器故障,并采取相应的措施,保证控制过程的顺利进行。针对热力系统这类时滞系统,提出一种基于时间序列神经网络的故障检测新方法,神经网络的训练采用Powell方法,其收敛速度快、过程稳定。本方法具有在线学习、可诊断多个传感器故障等优点,对锅炉实际试验结果表明本方法行之有效。

面向不平衡数据集的线性分类方法研究

近年来,面向不平衡数据集的分类器学习与推广问题越来越受到人们的关注,在此以机器学习数据库、美国邮政编码、2维元音等国际上典型的分类问题为应用背景,重点研究如何用线性分类器解决样本数不平衡的问题;对Fisher、伪逆和单层感知器等3种典型的线性分类器做了深入的研究,并将这3种线性分类方法应用到不平衡数据集的分类中;通过实验及分析,这些新方法对平衡数据集的线性分类起到了良好的分类效果。

改进的RBF网络及其参数优化方法

该文提出了一个改进的RBF网络及其参数优化方法。将典型的三层RBF网络改为一个两层RBF和一个单层感知器的串联网络。参数优化方法自动确定核函数个数,并根据核函数输出误差用BP算法修正核函数中心和宽度。根据样本分布的不规则性,引入了子类的概念,使每个类由若干子类覆盖,每个类生成一个单独的网络。实验表明,这种方法能得到较优的网络结构及其参数,并且提高了RBF网络中BP算法的收敛速度。