多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两种将模糊机制引入神经网络的方法——输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统神经网络更好的识别结果。

基于多层前馈神经网络的扩散系数求解

如何利用浓度分布的测量数据(间接采样)来确定扩散系数,并建立有效快速的数值求解方法是目前亟待解决的问题.由于扩散系数的求解属于反问题中的参数识别问题,通常具有不适定、非线性和计算量大等特点,所以在仅考虑给定温度下扩散对物质输运的影响的情况下,研究扩散系数与浓度、浓度梯度的关系,并利用物质扩散浓度的动态采样值和多层前馈神经网络对扩散系数进行求解,数值实验表明该方法十分有效.

基于改进的五层模糊神经网络的农业科技成果估值研究

【目的】针对农业科技成果估值难的问题,研究计算机动态评估农业科技成果价值的方法,为农业科技成果的转化、交易或转移提供数据支撑和定价依据。【方法】采用模糊理论与神经网络相结合的方法构建五层模糊神经网络模型FNN(Fuzzy neural network),从农业科技成果历史交易中学习、存储规则知识并用于成果的交易价格预测,经实际业务数据测试,FNN估值准确率仅达到80%,为进一步提高估值准确率,适应交易样本不断增加引起的变化,降低重新训练所有样本数据的资源消耗,引入增量学习,提出了改进的五层模糊神经网络模型IFNN(Improved fuzzy neural network)和改进的估值流程。【结果】在实际业务数据处理中,通过应用改进的估值流程,完成增量数据的训练,改进的五层模糊神经网络IFNN估值准确率达到86.7%。选取15个油菜品种,对比FNN和IFNN模型估值结果,FNN和IFNN模糊隶属度不同,对比表明,IFNN估值准确度高于FNN。IFNN模型从算法上满足估值准确度随增量学习持续提高的要求。但为了进一步提高估值准确度,还需要更完备的训练数据。【结论】改进的五层模糊神经网络IFNN能在实际业务中,基于客观数据进行农业科技成果的动态估值,能够适应不断变化和发展的社会,具有较高的实际应用价值。

基于模糊神经网络的火电厂热控系统故障诊断方法

火电厂热控系统运行是由众多组件配合实现的,故障诊断难度较大,为此提出基于模糊神经网络的火电厂热控系统故障诊断方法。从火电厂热控系统自身构成和运行属性的角度出发,结合模糊控制与5层等价型BP神经网,构建了火电厂热控系统模糊神经网络模型。在模型内进行火电厂热控系统运行状态变量的前向传播和误差的反向传播,实现对火电厂热控系统的故障诊断。测试结果表明,该设计方法对设置的7种不同类型火电厂热控系统故障状态均实现了准确诊断。

多层前馈模糊神经网络在儿童综合素质测评中的应用

运用对偶标度统计方法计算儿童发展调查问题中原始数据的变量权和样本得分,从而确定评价因素集.采用多层前馈模糊神经网络——FM LP实现对儿童个体综合素质的定量评价.

基于模糊分类器及多层前馈神经网络混合结构的说话人辨认

提出了基于模糊超椭球聚类算法的说话人辨认新方法。该算法首先将某一类的训练数据分成若干子类, 对每一子类在其中心周围定义具有超椭球区域的模糊规则。实验表明,该系统可以较快的聚类速度取得与HMM 相当的识别效果。进一步的研究表明,基于模糊超椭球聚类算法的说话人辨认系统与传统的基于HMM的识别方法存在一个共同的缺点,即抗噪性能较差。为此,通过引入多层前馈神经网络(MLFNN)与模糊超椭球分类器构成混合模型,使系统的识别性能和抗噪能力显著提高。

模糊隶属度融合多层前馈神经网络的CBIR方法

针对大多数现有基于内容的图像检索方法的性能很大程度上依赖分类器的问题,提出了一种基于模糊隶属度融合神经网络的CBIR方法;首先,利用离散小波变换进行特征提取;然后,使用神经网络计算查询图像的类标签和模糊类隶属度;最后,利用简单与加权距离度量的组合在完整搜索空间中进行检索;在3个纹理类数目、方向和复杂度都不同的数据库上进行实验验证了所提方法的有效性,实验结果表明,相比其他几种较新的纹理图像检索方法,所提方法取得了更好的检索性能。

一种用于非线性动态辨识的新型神经网络

为提高非线性动态系统辨识(NDSI)的效果,在结合自建型模糊神经网络(SCFNN)和多层神经元神经网络(MLPNN)的基础上,提出一种自建递归型模糊神经网络(SCRFNN)。SCRFNN相较于前者,多了一个递归通道与抑制模糊规则产生机制;相较于后者,增加了模糊推论与一个递归通道。为验证SCRFNN在系统辨识中的有效性,设计一个新的NDSI在线学习模型与代码设计流程图,并以此作为在线学习架构,将以上3个神经网络模型对4个串-并型非线性动态系统进行辨识分析。经过仿真表明,新提出的SCRFNN通过存储内部状态,具备了映射动态特征的功能,从而使系统具有适应时变特性的能力,更适合于非线性动态系统的辩识。且在模糊规则数、学习收敛速度、学习与预测误差均方根值、预测精准度方面也取得了良好的效果。

灰色神经网络模型在小麦产量预测中的应用

本文旨在研究如何利用灰色神经网络模型解决小麦产量预测中的不确定性和复杂非线性关系问题,以提高预测的准确性和可靠性。随着全球气候变化和农业生产环境的日益复杂,小麦产量的预测对于农业决策、资源分配和粮食安全具有重要意义。首先,本文回顾了预测模型在农业领域,特别是小麦产量预测中的发展现状,指出了传统模型在处理不确定性因素和非线性关系方面的局限性。然后,针对这些问题,本文建立了灰色神经网络模型。在灰色预测模型中,本文简化了数据中的随机波动,利用灰色系统理论中的累加生成算子和GM(1,1)模型提取数据内在规律;在神经网络模型中,本文进一步简化了复杂非线性关系的直接建模难度,利用多层前馈神经网络的强大学习能力构建了影响因素与小麦产量之间的映射关系。通过将两者结合,本文建立了灰色神经网络组合模型,实现了对小麦产量的高精度预测。针对模型的求解,本文采用了反向传播算法对网络参数进行训练和优化。通过迭代调整网络权重和偏置项,使模型输出与实际小麦产量之间的误差最小化。在求解过程中,本文使用了MATLAB等数学软件进行编程和计算,实现了数据的预处理、模型构建、参数估计和预测结果的输出。灰色神经网络模型具有以下优点:一是结合了灰色系统理论和神经网络的优点,能够同时处理数据不确定性和复杂非线性关系;二是通过数据预处理增强了数据的规律性,提高了模型的预测精度;三是模型构建过程灵活,可根据实际情况调整网络结构和参数;四是预测结果稳定可靠,具有较高的应用价值。在模型检验中,本文分别讨论了模型的精度和稳定性,采用多种评价指标对预测结果进行了全面评估。

多层前馈神经网络的学习和综合算法

本文提出多层前馈网络的一种新的学习和综合算法──ＦＰ算法，并证明由此算法得到的网络作为通用联想记忆器时，具有如下优点：（１）每个样本都是吸引中心；（２）每个样本的吸引半径达到最大值；（３）网络没有假吸引中心；（４）网络具有最少的元件个数；（５）学习的复杂性达到最优（就其复杂性的阶而言）．故此网络在性能、结构、计算复杂性等方面均达到很好状态．

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型。但算法有求解精度低、搜索速度慢、易于陷入极小的缺点。蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性。这些特性使得解题过程加快,易于实现分布式计算。将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制。仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。

多层前馈人工神经网络结构研究

研究表明,由多层FNN的BP算法误差函数构成的非线性方程组的独立方程个数和FNN的待求未知变量的个数应该相等,该方程组才能有唯一组解.由此导出网络结构方程式,进而导出隐层层数判别式和每层神经元个数判别式.依据Kolmogorov定理,由该判别式得出求解FNN隐层层数和每个隐层神经元个数的具体算法.计算机仿真结果表明该方法简明实用.

一种优化多层前馈神经网络中隐节点数的算法

多层神经元网络中隐含层的层数及其每一层的神经元数的多寡 ,至今仍无法用一个解析式精确求得 .提出了一种基于黄金分割法的算法 ,用于求解三层前馈神经网络中的隐层节点数 ,所得结果有助于提高三层前馈神经网络整体品质 .

前馈多层神经网络在水滑石电缆阻燃剂制备中的应用

本文将前馈多层神经网络用于水滑石电缆阻燃剂制备的研究。从获得的试验数据中 ,通过训练建立了原料添加量与最终制备得的水滑石纯度的非线性映射模型。神经网络采用 BP算法 ,网络结构采用 3- 2 - 1形式。结果表明 。

目的层预约的模糊神经网络电梯群控策略

根据目的层预约电梯系统的新型客流分配模式,分析并归纳出目的层预约情况下电梯群控系统的特征属性,提出一种多目标模糊神经网络电梯群控策略.把目的层预约电梯系统的特征属性作为多目标模糊神经网络的输入,建立并训练模糊神经网络,最后利用该模糊神经网络进行派梯计算.仿真试验证明该群控策略可得到满意的效果.与传统电梯群控策略以及其他目的层预约电梯群控策略的对比试验证明,该方法在提高电梯平均系统时间、长候梯率、长乘梯率及节约能耗等方面都体现出较好的性能优化效果,对高峰交通流模式下的电梯群控系统效果显著.

关于三层前馈神经网络隐层构建问题的研究

针对最佳平方逼近三层前馈神经网络模型 ,分析了与隐层单元性能相关的表示空间与误差空间、目标空间与耗损空间的作用 ,提出了按网络生长方式构建隐层时隐单元选择准则和评价方法 研究结果表明 :隐单元选取策略应遵循其输出向量有效分量位于误差空间、回避耗损空间和尽可能趋向于极大能量方向的原则 ,这一结果与隐单元采用什么激发函数无关 ,也允许各隐单元采用不同激发函数 网络的隐层性能评价可以通过隐层品质因子、隐层有效系数、隐单元剩余度来进行 。

关于前馈多层神经网络多维函数逼近能力的一个定理

本文首次证明了前馈神经网络多维函数逼近能力的一个重要定理:当隐层神经元数目足够多时,其多维函数逼近能力与维数无关.也就是说我们只需研究其一维函数逼近能力,所得的结论完全适合于多维情形,该定理大大简化了前馈多层神经网络函数逼近问题的分析难度。本文还给出了该定理的一个应用。

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。

模糊神经网络系统在优选压裂井层中的应用

油井压裂选井选层是一项复杂有难度的技术。目前一般采用定性分析结合经验判断进行 ,随意性大。考虑到选井选层各项指标具有较大的模糊性 ,应用模糊神经网络系统 (FNNS)来获取各项指标与压裂效果的关系模型和预测模型 ,从而优选施工井层。实践证明 ,该方法技术适应性强、成功率高、效益显著。

一种估计前馈神经网络中隐层神经元数目的新方法

前馈神经网络中隐层神经元的数目一般凭经验给出,这种方法往往造成隐单元数目的不足或过甚,从而导致网络存储容量不够或出现学习过拟现象.本研究提出了一种基于信息熵的估计三层前馈神经网络隐结点数目的方法,该方法首先利用训练集来训练具有足够隐单元数目的初始神经网络,然后计算训练集中能被训练过的神经网络正确识别的样本在隐层神经元的激活值.并对其进行排序,计算这些激活值的各种划分的信息增益,从而构造能将整个样本空间正确划分的决策树,最后遍历整棵树寻找重要的相关隐层神经元,并删除冗余无关的其它隐单元,从而估计神经网络中隐层神经元的较佳数目.文章最后以构造用于茶叶品质评定的具有较佳隐单元数目的神经网络为例,介绍本方法的使用.结果表明,本方法能有效估计前馈神经网络的隐单元数目.