论神经科技时代的神经权及其保障

本文对神经权采取文献研究、总体性评述的研究方法,认为神经科学高速发展,神经科技滥用的风险,还有现行人权结构无法解决涉神经相关问题,这都是神经权提出的原因所在。神经权本身可分为精神隐私权和精神自由、自主、自决权两方面。对于神经权的保障措施方面,可从以下几方面着手:将神经权纳入国际人权保障框架、以神经权为基构建出神经权法治制度体系、神经权权利主体应增强神经权意识。最后,稍作乐观展望,认为神经权也可能推动现有的人权制度走向新的范式。

一种改进的增量型随机权神经网络及应用

增量型随机权神经网络(I-RVFL)具有良好的泛化性能,在一定程度上避免了过拟合问题,但是,I-RVFL网络的输入权值和隐藏层偏差是从固定范围内随机生成的,可能会导致模型不稳定。针对上述问题,论文提出一种改进的I-RVFL网络。首先,利用指数加权平均对历史数据依赖随时间指数衰减且能平滑数据中异常值的特点,优化随机分配的输入权值与偏差。然后,将凸函数的下降梯度比应用到模型误差序列中,建立神经网络权值配置的约束条件。在UCI数据集上的仿真结果表明,改进的I-RVFL网络在分类精度以及稳定性上有显著提高。将论文方法应用于红外火焰识别,检测准确率达到98%,验证了该网络的有效性和实用性。

一种基于随机权神经网络的类增量学习与记忆融合方法

连续学习(Continual learning,CL)多个任务的能力对于通用人工智能的发展至关重要.现有人工神经网络(Artificial neural networks,ANNs)在单一任务上具有出色表现,但在开放环境中依次面对不同任务时非常容易发生灾难性遗忘现象,即联结主义模型在学习新任务时会迅速地忘记旧任务.为了解决这个问题,将随机权神经网络(Random weight neural networks,RWNNs)与生物大脑的相关工作机制联系起来,提出一种新的再可塑性启发的随机化网络(Metaplasticity-inspired randomized network,MRNet)用于类增量学习(Class incremental learning,Class-IL)场景,使得单一模型在不访问旧任务数据的情况下能够从未知的任务序列中学习与记忆融合.首先,以前馈方式构造具有解析解的通用连续学习框架,用于有效兼容新任务中出现的新类别;然后,基于突触可塑性设计具备记忆功能的权值重要性矩阵,自适应地调整网络参数以避免发生遗忘;最后,所提方法的有效性和高效性通过5个评价指标、5个基准任务序列和10个比较方法在类增量学习场景中得到验证.

应用人工神经网络预测室内全年动态采光

在建筑设计早期阶段,了解建筑形态参数与室内采光之间的关系对设计优化至关重要。本文采用多层感知器(Multilayer Perceptron,MLP)神经网络,以四种主要特征(室外遮挡情况、建筑形态特征、开窗设置、测点位置信息)作为MLP的输入参数,通过计算机模拟收集的数据来构建神经网络,预测室内的全年自然采光质量(UDI<100 lx、UDI 100~2000 lx、UDI>2000 lx)。研究结果显示多层感知器神经网络模型在测试集中的回归决定系数R 2为0.984,均方误差MSE为11.624,准确性较高。对神经网络进行权重分析的结果表明,外部遮挡物的高度和建筑进深对输出结果影响最为显著。而窗台底部的标高和测点距窗户的距离对输出结果UDI的影响较小。神经网络模型为建筑设计预测日光提供了一种新的智能方法,有助于辅助建筑早期的设计决策。

针对大规模数据的随机权值前馈神经网络模型优化

具有随机权值的前馈神经网络(FNNRWs)因其在大规模数据集处理中的潜能而受到广泛的关注。在具有随机权值的前馈神经网络的基础之上,将大规模数据分为大小相同的子集,每个子集派生出相应的子模型。根据激活函数计算出输入权值和偏置的最优取值范围,输入权值和偏置在该范围中随机产生,采用迭代的方式来评估输出权值。在UCI标准数据集上的实验结果表明,该算法对处理大规模数据集具有很好的应用效果。

基于随机权神经网络的地震灾害经济损失评估与预测

地震灾害损失的评估和预测是地震风险管理的重要环节。利用随机权神经网络(NNRW)对我国2008-2014年地震灾害直接经济损失进行了评估和预测,并将其与传统的BP神经网络进行了比较。研究结果表明,在训练时间、训练精度和预测精度上随机权神经网络都优于BP神经网络,并且随机权神经网络不易发生过拟合现象。因此,随机权神经网络为地震灾害直接经济损失的快速而精准评估和预测提供了一种新方法。

多权值神经元网络仿生模式识别方法在低训练样本数量非特定人语音识别中与HMM及DTW的比较研究

本文将基于多权值神经元网络的仿生模式识别方法用于连续语音有限词汇量固定词组识别的研究中,并将其识别效果与HMM方法及DTW方法进行了比较分析.以15个词组的词汇表做测试,通过调整这三种识别算法的参数,在它们的拒识率相同的情况下,针对参加训练的词汇,比较他们的错误识别率(某类误认为他类);针对未参加训练的词汇,比较他们的错误接受率(误认为某类).结果表明,在低训练样本数量的情况下,仿生模式识别方法能获得更好的识别效果.

基于自组织随机权神经网络的BOD软测量

针对污水处理复杂系统中关键水质参数生化需氧量(biochemical oxygen demand,BOD)难以准确实时预测的问题,在分析污水处理过程相关影响因素的基础上,提出一种基于敏感度分析法的自组织随机权神经网络(selforganizing neural network with random weights,SONNRW)软测量方法.该方法首先通过机理分析选取原始辅助变量,经过数据预处理,之后采用主元分析法对辅助变量进行精选,作为SONNRW的输入变量进行污水处理关键水质参数BOD的预测.SONNRW算法利用隐含层节点输出及其权值向量计算该隐含层节点对于残差的敏感度,根据敏感度大小对网络隐含层节点进行排序,删除敏感度较低的隐含层节点即冗余点.仿真结果表明:该软测量方法对水质参数BOD的预测精度高、实时性好、模型结构稳定,能够用于污水水质的在线预测.

基于多权值神经网络的老人跌倒智能识别研究

随着我国人口老龄化及对延年益寿的期望加剧,老年人的健康问题受到广泛的关注。针对这一社会问题,建立人体跌倒模型,并对三轴加速度传感器采集来的不同人体跌倒姿态的高维数据做主成分分析(PCA),降维处理使其特征投影到低维空间,再将降维后的特征向量借助多权值神经元网络算法识别人体跌倒姿态。最后,实际采样的人体跌倒姿态数据验证了该方法的有效性。此外,与支撑向量机(SVM)算法相比较,实验结果表明,多权值神经元网络比支撑向量机算法在人体跌倒应用中更加具有优越性。

随机权神经网络研究现状与展望

神经网络随机学习克服了传统梯度类算法所固有的收敛速度慢及局部极小问题,最近已成为神经网络领域的研究热点之一。基于随机学习的思想,人们设计了不同结构的随机权神经网络模型。本文旨在回顾总结随机权神经网络的研究现状基础上,给出其发展趋势。首先,提出随机权神经网络简化模型,并基于简化模型给出神经网络随机学习算法;其次,回顾总结随机权神经网络研究现状,基于简化模型分析不同结构随机权神经网络的性能及随机权初始化方法;最后,给出随机权神经网络今后的发展趋势。

基于随机权神经网络的地震灾害经济损失评估与预测

随着科学技术发展,国家对于地震灾害的预测和规划应对有了长足的进步,自2008年以来,我国致力对于地震预警的研究,在信息技术智能化发展的前提下,越来越多的技术被应用于相关的评估预测进程当中,文章对基于随机全神经网络的地震灾害经济损失评估预测展开相关的讨论,分析随机权神经网络在地震灾害中发挥的作用。

基于改进SGA的神经网络权系优化训练

本文介绍了采用一种改进SGA来替代BP学习算法 ,对神经网络权系进行优化训练 ,仿真实验表明 ,SGA较BP收敛速度快 。

基于多尺度卷积神经网络和LBP算法的浮选工况识别

针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题,提出了一种结合多尺-度卷积神经网络(CNN)特征及改进局部二值模式(LBP)计算方法的核随机权神经网络(K RV-FLNs)浮选工况识别方法。首先,对泡沫浮选图像进行非下采样Shearlet多尺度分解,将原始图像分解为不同频率尺度,设计多通道CNN网络对多尺度图像进行特征提取;再通过改进LBP算法提取特征作为补充,将CNN提取的图像特征与LBP特征进行融合;最后,通过核随机权神经网络映射到更高维空间进行分类决策,实现浮选加药状态的精确识别。实验结果表明,采用多尺度CNN及LBP-TOP特征融合的方法识别的精度比传统LBP算法提高了5.34%,比采用单CNN特-征的方法提高了3.76%,结合K RVFLNs实现浮选工况分类准确率高达96.38%,识别精度和稳定性较现有方法有较大提升,且减少了人工干预,有利于提高生产效率。

基于交替方向乘子法的球磨机负荷分布式随机权值神经网络模型

针对传统集中式机器学习处理大规模数据存在通信开销大、算法时间和空间复杂度高等问题,基于交替方向乘子法(ADMM),提出一种球磨机负荷分布式随机权值神经网络建模方法,局部网络节点采用正则化随机权值功能连接RVFL网络,全局球磨机负荷模型参数采用分布式优化学习ADMM方法交替迭代更新求解。实验结果表明,基于ADMM-RVFL的球磨机负荷模型在计算速度和精度方面具有相对优越性。

基于数字脊波和样条权神经网络的高光谱图像融合分类

提出了一种基于数字脊波和样条权神经网络的高光谱图像融合分类新算法。在特征级融合中,针对数字脊波的特点,对不同分辨率的脊波系数采用局部信息熵进行融合,并运用样条权神经网络实现了分类。在决策级融合中,提出了先用样条权神经网络进行预分类,然后用主体投票法进行决策融合的算法,为避免作为局部分类器的神经网络结构过于复杂,对输入数据先进行了像素层的融合实现数据降维,这实质上体现了一种多层次融合的思想。实验结果表明,这两种方法都能有效的实现高光谱图像的融合及分类,在较少的训练样本下分类精度能达到92%以上,其中特征级融合可达到95.87%。

集成自编码与PCA的高炉多元铁水质量随机权神经网络建模

针对随机权神经网络(Random vector functional-link networks, RVFLNs)建模存在的过拟合和泛化能力差的问题,集成自编码(Autoencoder)和主成分分析(Principal component analysis, PCA)技术,提出一种新型的改进RVFLNs算法,即AE-P-RVFLNs算法,用于建立高炉多元铁水质量在线估计的NARX (Nonlinear autoregressive exogenous)模型.首先,为了尽可能挖掘实际复杂工业数据中的有用信息和充分揭示输入数据之间的内在关系,采用Autoencoder前馈随机网络技术训练建模输入数据,并将训练得到的输出权值作为后续RVFLNs的输入权值;然后,引入PCA技术对RVFLNs的高维隐层输出矩阵进行降维,避免隐层输出矩阵多重共线性问题,从而解决由于隐层节点过多导致模型过拟合的问题;最后,基于所提AE-P-RVFLNs算法建立某大型高炉多元铁水质量在线估计的NARX模型.工业实验和比较分析表明:采用本文算法建立的多元铁水质量在线估计模型可有效提高运算效率和估计精度,尤其是避免常规RVFLNs建模存在的过拟合问题.

基于随机权神经网络的农业旱灾脆弱性评价

农业旱灾脆弱性综合评价是增强农业旱灾风险管理水平的重要方法。运用随机权神经网络法对四川省2000—2015年农业旱灾脆弱性水平进行综合评价分析,检验随机权神经网络评价模型的性能并将其与RBF神经网络和传统的BP网络模型进行比较。研究结论表明:四川省农业旱灾脆弱性水平总体上呈减弱趋势,经济的快速增长是其主要驱动因素;随机权神经网络评价模型的各项性能均优于RBF和BP神经网络,该研究结论为农业旱灾风险管理提供了新思路和新方法。

基于多权值神经网络的静态手势字母识别的研究

提出了一种基于多权值神经网络模型的静态手势语识别方法。应用手势字母图像圆周极径序列的傅立叶频谱信息来提取特征,再结合多权值神经网络的训练算法与识别算法,实现静态手势字母的识别,并取得了很好的识别效果。

用共权神经网络识别红外图像中的车辆

本文对采用某种神经网络，比如共用权重神经网络识别红外图像中的车辆的可能性进行了探讨。我们使用的神经网络是作为预处理器而在红外图像中发现坦克的车轮，然后用更专门的传统方法对由网络发现的关注部位进行搜索。就是说，网络被当作为特征检测器而使用的。按照这个思路，尽管我们用单个采样对该网络进行训练，我们仍将受培训的网络用作为整个图像画面的非线性过滤器。合成的系统进行尺度从属性和对图像背景杂波的灵敏度的测试，

一种不定控制系统的强健神经网络控制器

探讨不定控制系统的强健神经网络控制器 .这是一个由遗传运算法则确定的最佳隐藏神经数的前馈多层神经网络 .它借助状态空间控制器和编入必要的最佳程序 ,进行非线性处理 ,以确保性能的强健性 .混合的遗传运算法则和后繁殖神经培养 ,具有最佳网络结构和神经染色体接合权的双重目标 ,把最佳网络结构和神经权协调地聚合 。