基于模糊预处理的聚类神经网络模型设计

在传统的ART网络及BP网络基础上分别作了改进,有机地结合了两种网络的优越性,并对输入数据进行模糊预处理,从而构建了新的比较健壮的网络模型,并具体给出了网络的模型结构及工作原理.该网络的特点是:检测故障的类别数可以增加,能累计增加新的样本类节点,且能分阶段训练。

基于不变矩特征的图像模式模糊分类软件设计

针对医学图像,设计了一种基于不变矩特征的图像模式模糊分类软件,对不变矩特征进行提取,矢量标准化,通过模糊预处理与BP网络和竞争选择相结合的不变矩方法,提取医学图像特征矢量,检测出图像的有效水平移动、旋转以及比例等特性,再以神经网络为分类器,根据提取的图像对特征向量进行分类,对输入的特征数据进行模糊预处理,实现图像模式模糊分类软件设计。实验结果表明,利用设计方法的图像识别精度更高,误差更小。

基于ART与RBF网络的混合网络模型设计

为了解决自适应共振理论(adaptive resonance theory,ART)网络对新的输入样本处理能力差,网络记忆能力差,径向基(radial basis function,RBF)网络选择径向基函数,确定隐节点数目困难的问题,设计了一种基于ART与RBF网络的混合网络模型。将ART网络的特点引入到RBF网络中,通过ART网络的识别与比较功能快速确定RBF网络最少的隐节点数目,同时通过ART理论中警戒门限的检验在线确定是否合并或删除隐节点。并且引入了异常数据修正方法和模糊预处理方法。通过MATLAB神经网络工具箱,对该混合网络进行仿真试验。结果表明:该方法能够有效地减少隐含在数据中的随机性,加快神经网络收敛速度,提高神经网络的建模精度。

基于K-means聚类的计算机网络信息安全风险评估方法

为提升计算机网络信息安全风险评估效果,本文提出一种基于K-means聚类的计算机网络信息安全风险评估方法。对计算机网络信息风险值展开分析,得到信息风险评估三要素,以此构建安全风险评估模型;评估模型主要由模糊预处理和互信息计算两部分构成,以此实现对事件与评价等级之间关系的分析。最后进行仿真实验,结果验证了所提方法可以取得理想的安全风险评估结果。