基于多维特征神经网络集成的有源干扰识别算法

针对在强噪声环境下雷达有源干扰识别准确率不高的问题,提出一种基于功率谱密度、频谱瞬时包络与时频图特征神经网络集成的干扰识别算法。首先从理论推导和方法实现两个角度论述了神经网络集成的基本原理;然后阐述了特征获取方法、网络结构和采用Stacking策略进行网络生成与集成的过程,分析了有源干扰识别的训练、测试结果;最后将该方法与基于时频图的AlexNet检测器、基于功率谱密度序列的LSTM检测器、基于特征融合的双通道检测器进行比较,仿真结果表明,在干噪比(JNR)大于-6 dB时,所提算法对6种有源干扰识别准确概率达到99%以上,具有很好的检测性能。

神经网络集成在肺癌细胞识别中的应用

通过一种特殊的二级集成结构将神经网络集成应用于肺癌细胞识别 .集成中的个体网络由Bagging方法产生 ,第一级集成的归纳结论由本文提出的完全投票法合成 ,第二级集成的归纳结论由相对多数投票法合成 .实验和原型系统试用表明 ,该方法的总体误识率较低 ,更重要的是 ,其将癌细胞判别为非癌细胞的误识率非常低 。

并行学习神经网络集成方法

该文分析了神经网络集成中成员神经网络的泛化误差、成员神经网络之间的差异度对神经网络集成泛化误差的影响,提出了一种并行学习神经网络集成方法;对参与集成的成员神经网络,给出了一种并行训练方法,不仅满足了成员网络本身的精度要求,还满足了它与其余成员网络的差异性要求;另外,给出了一种并行确定集成成员神经网络权重方法.实验结果表明,使用该文的成员神经网络训练方法、成员神经网络集成方法能够构建有效的神经网络集成系统.

基于神经网络集成的专家系统模型

提出一种基于神经网络集成的专家系统模型,并给出神经网络集成的构造算法。在该模型中神经网络集成作为专家系统的一个内嵌模块,用于专家系统的知识获取,克服了传统专家系统在知识获取中的“瓶颈”问题。并将该模型用于图书剔旧系统中,初步建成基于神经网络集成的图书剔旧专家系统原型。

主动差异学习神经网络集成方法在变压器DGA故障诊断中的应用

多分类器集成是解决困难学习问题的有效手段,但其性能提升的关键在于如何保证个体分类器的差异性。通过对集成误差公式的理论分析,提出一种能主动引导成员网络进行差异性学习的集成网络学习算法。该方法通过对集成误差的分解,使成员网络的训练准则函数中包含成员网络误差相关度的因素,并通过协同训练,引导成员网络进行差异性学习。该方法在基于油中溶解气体分析技术的变压器故障诊断的实验结果表明,该方法的故障诊断准确率优于传统的IEC三比值法与BP神经网络法,其性能也比经典的Bagging和Boosting集成方法更稳定可靠。

基于神经网络集成模型的宫颈细胞病理计算机辅助诊断方法

针对宫颈细胞病理图像自动筛查问题,本文提出一种基于人工智能技术的计算机辅助诊断方法。该方法通过对宫颈细胞病理图像采用自适应双阈值法进行初步检测,再采用改进Chan-Vase模型进行精确分割,提取出细胞(粘连簇团)中的不同区域。然后,结合病理诊断专家规则,构建相应的正交特征集。在此基础上,使用神经网络集成模型进行正常、疑似病变二分类识别,完成计算机辅助诊断。实验表明,本文方法能够有效完成宫颈病理细胞(粘连簇团)的分类识别,具有较高的正确率(84%)与较低的误判率(2.1%)。满足了在保证判断正确率的条件下,尽量降低将疑似病变样本误判为正常样本的实际病理诊断要求。

基于SFAM神经网络集成的土地评价

SFAM(Simplified Fuzzy ARTMAP,简化的模糊ARTMAP)神经网络具有自组织反馈、增量式学习和高度复杂映射等特点,是一种较BP神经网络和RBF神经网络等前馈神经网络更优秀的自组织神经网络。为克服SFAM神经网络受输入样本顺序的影响,提高土地评价的精度,提出利用SFAM神经网络集成进行土地评价的方法。并用SFAM神经网络、SFAM神经网络集成、BP神经网络、BP神经网络集成、RBF神经网络和RBF神经网络集成等方法对广东省中山市的土地进行了评价,对评价结果进行了分析和比较,结果表明SFAM神经网络具有比BP神经网络和RBF神经网络更优越的评价性能;对于这三种不同的神经网络,神经网络集成的土壤评价精度分别高于单个神经网络的精度。

基于RBF神经网络集成-模糊加权输出的数字温度传感器误差补偿

数字温度传感器存在非线性误差,在高精度测温系统中需要进行误差补偿。提出了一种基于径向基函数神经网络集成-模糊加权输出(RBFNNE-FWO)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,提取特征阈值,构造三个相互独立的成员RBFNN;考虑到成员网络之间边界误差补偿问题,构建一种RBFNN集成输出权值模糊调节器,获得RBFNN集成输出权值,从而完成数字温度传感器的全量程误差补偿。与多种方法的比较仿真实验表明,这种RBFNNE-FWO方法的性能最佳、各成员网络边界误差最小,补偿后的数字温度传感器误差减少了两个数量级,大大提高了测温准确度。

基于神经网络集成的电力系统低电压风险评估

针对电力市场环境下的静态电压安全问题,建立了一种电力系统低电压风险评估方法。采用电力系统低电压风险的指标,反映了系统发生事故的概率及其造成系统低电压的后果。构造了神经网络集成系统,实现了系统低电压风险的快速识别和评估。以新英格兰39母线测试系统为例,验证了该方法的有效性。

基于神经网络集成的舌苔分类方法

提出一种基于神经网络集成的舌苔自动分类方法。该方法把经单独训练的具有一定差异度的单个BP神经网络加以集成，构成舌苔分类器。试验结果表明，该分类器比现有的舌苔分类方法识别率更高、分类更细、更符合中医舌诊要求。

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。

基于神经网络集成的B样条经验模态分解端点效应抑制方法

经验模态分解对非线性、非平稳信号进行平稳化处理时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是其利用样条曲线构造信号上下包络线的过程中存在严重的端点效应。在分析端点效应产生机理的基础上,提出基于神经网络集成的B样条经验模态分解(B-spline empirical mode decomposition,BS-EMD)端点效应抑制方法,研究神经网络集成延拓的原理,利用神经网络集成对数据进行左延拓和右延拓,利用B样条插值函数对延拓后的数据进行插值计算,得到信号的均值曲线,进行经验模式分解,得到本征模函数。仿真和试验结果表明,该方法能有效抑制BS-EMD的端点效应。

神经网络集成方法在产品完工期预测中的应用

针对单个神经网络模型易出现过拟合而导致泛化能力较弱的缺点,引入了神经网络集成方法,对传统的Bagging方法进行改进,提出了一种基于0.632误差聚类的Bagging方法。通过实验对比和假设检验,证实了该方法的优越性,并探讨了最佳聚类数目。最后,通过应用实例展示了利用集成神经网络进行产品完工期预测的全过程。实验结果显示,该方法明显地提高了预测精度。

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。

基于邻域粗糙集和概率神经网络集成的基因表达谱分类方法

从癌症基因表达谱分析入手,针对基因表达谱维数高、样本少的特点,提出一种用于癌症分类的基于邻域粗糙集和概率神经网络集成的分类方法。首先利用Relief算法对基因进行排序,然后利用邻域粗糙集选取分类特征基因,最后结合概率神经网络集成分类模型进行癌症分类。实验结果表明,该方法可以快速有效地选取癌症特征基因,能获得更好的分类效果。

基于神经网络集成的蚕茧干壳量无损检测方法研究

蚕茧无损检测中的核心问题是蚕茧干壳量的测定。利用虚拟仪器技术和神经网络集成技术研究了一种无损检测蚕茧干壳量的方法,并实现了数据采集和信号处理等功能。系统首先提取并选择蚕茧振动信号中与蚕蛹质量相关的特征值,再将选择的特征值训练BP神经网络和RBF神经网络,用训练得到的这两种类型网络作为神经网络集成的输入,以蚕蛹质量作为神经网络集成的输出。检测试验的结果表明该方法有效可行,最高检测准确率达到85.6%。

一种基于神经网络集成的规则学习算法

将神经网络集成与规则学习相结合 ,提出了一种基于神经网络集成的规则学习算法 该算法以神经网络集成作为规则学习的前端 ,利用其产生出规则学习所用的数据集 ,在此基础上进行规则学习 在UCI机器学习数据库上的实验结果表明 。

中国入境旅游需求预测的神经网络集成模型研究

对入境旅游需求进行科学合理的预测直接关系到中国入境旅游发展战略的制定和实施,具有积极的现实意义。目前,BP神经网络作为一种常见的传统机器学习方法,被广泛用于旅游需求预测建模。然而,由于BP神经网络存在诸如易过配、参数设置难、获得全局最优解难等局限,在实际应用中表现极不稳定。有鉴于此,拟将BP神经网络和集成学习技术相结合,构建入境旅游需求预测的神经网络集成模型,并对美国、英国、澳大利亚3个客源国近20 a来的入境游客量数据进行验证分析。结果表明,神经网络集成有效克服了单个BP神经网络在小规模数据集上的局限性,获得了比包括BP神经网络在内的传统机器学习技术和传统统计方法更为准确的预测结果,这有利于更加准确地把握中国入境旅游市场需求。

圆形微带天线谐振频率的混沌粒子群神经网络集成建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.本文提出二进制粒子群优化算法的选择性神经网络集成方法,通过粒子群优化算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度.为有效保证粒子群优化算法的粒子多样性,在迭代过程中加入混沌变异.基于该混沌粒子群算法的神经网络集成对圆形微带天线的谐振频率进行建模.仿真试验表明,混沌粒子群优化算法是组合优化权值的有效方法,可以有效提高神经网络集成的泛化能力,基于该算法所建立的圆形微带天线的谐振频率模型好于此问题的已有结论.

基于神经网络集成的洪灾损失快速评估(英文)

针对传统洪灾损失评估存在精度低、速度慢等问题,首先提出基于神经网络集成的洪灾损失评估方法技术路线;其次,以鄱阳湖区某县为研究对象,运用层次分析法对影响该研究区域的洪灾损失评估指标进行分析和提取,并对影响因子的权重进行分配;然后,研究神经网络集成模型的个体生成和结论生成的实现方法,并利用C#编程语言和AForge.NET开源框架下的神经网络类库搭建一个能快速构建神经网络集成模型的程序;最后,对该方法进行应用,并将评估结果与实际统计的洪灾损失值进行对比分析,验证该评估方法的可行性,从而为洪灾损失评估提供一种新的方法。