基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets,RS)的数据分组处理(GroupMethod of Data Handling,GMDH)神经网络分类模型。该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题。同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法。最后,通过与BP(Back-Propagation,BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效。

神经网络算法在股指预测中的应用

GMDH是一种具有自组织特征的数据处理方法,适用于非线性系统的建模,股指是一种重要的金融数据,具有混沌特性。该文将相空间重构引入了GMDH神经网络的建模中,并将之应用于道琼斯等股指的预测。同BP神经网络方法及一阶局域预测法相比,GMDH获得了更好的预测效果。

基于粗糙集的GMDH神经网络的时间序列预测

针对随机时间序列的强不确定性和非线性特征,结合粗糙集理论和成组数据处理的神经网络技术建立了基于粗集的GMDH神经网络预测模型。同时就自然界大多数的随机时间序列数据维数较大的问题,为提高约简效率,提出了基于快速求核和集合近似质量的约简算法,并进行了仿真验证。结果表明,基于粗集的GMDH神经网络预测模型合理可行,约简算法快速有效。

基于GMDH的加速度计模型辨识

常规的加速度计静态模型辨识方法是建立在理想的单输入假设前提下的,在实际的多参数复合输入情况下则具有明显的不适用性,尤其是测量噪声不满足一般回归分析要求时更是如此。本文提出了一种基于GMDH神经网络的加速度计静态模型辨识方法,可以有效的解决其存在的问题,并进行了试验验证,表明该辨识方法的结果与常规辨识方法的结果具有很好的一致性。