基于RBF-BP协作神经网络的公交行程时间预测

为利于公交乘客合理化制定日常出行计划,缩减未知的候车时长,进而提升公交出行吸引力.针对公交行程时间动静态影响因素展开综合性分析,以平潭综合实验区3路公交部分路线为例,构建基于RBF-BP协作神经网络的公交行程时间预测模型,应用MATLAB语言编程进行预测,结果显示在同一状态的公交运行情况下,尤其在样本数据较少时,RBF-BP协作神经网络预测精度更优于BP神经网络、RBF神经网络,具有一定的实际应用价值.

基于流形神经网络的协作频谱感知

针对传统频谱感知在复杂信号环境,如低信噪比和多路径衰落等情况下的性能局限,提出了一种基于黎曼流形神经网络的创新性协作频谱感知方案。该方法首先通过将多个协作用户的信号矩阵映射到黎曼流形上,生成具有几何特性的协方差矩阵。接着,利用黎曼流形神经网络进行高效的信号特征分类和频谱感知。黎曼流形神经网络不仅充分发挥了黎曼流形在非欧几里得数据结构上的优势,而且结合了神经网络强大的表达能力,从而在各种复杂环境下都展示出显著优越的频谱感知性能。通过一系列详细的仿真实验,证明了该方法在多样化环境下的优越性能,展示了其在实际无线通信系统中的潜在应用价值。

利用协同神经网络的学者情感分析

引言。随着社交网站的发展和智能终端的普及,越来越多的学者利用学术社交网站(Academic Social Network Sites,ASNS)开展各种学术社交活动,例如学者用户可以在ASNS上获取学术信息、联络学术朋友、发表学术观点、讨论学术话题、开展科研协作、交流学术经验、参与同行评议、分享科研成果以及共享学术资源等。[1,2]ASNS主要是针对学术信息共享和学者交流而建立的网站,对学者之间的交流、通信和合作方式等产生了深刻的影响。学者网(SCHOLAT,https://www.scholat.com/)是国内具有高影响力的ASNS。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

基于协作注意力和图神经网络的轻量化车位检测算法

为提高自动泊车过程车位检测的实时性和准确性,提出一种基于协作注意力和图神经网络的轻量化车位检测算法。首先,采用轻量化的网络结构,以改进的MobileNetV3作为特征提取网络,通过深度可分离卷积获得车位标记点的位置信息和特征信息,并将二者结合得到标记点的融合特征,然后构建图神经网络结构以增强车位标记点之间的内在联系,并结合协作注意力机制实现对多头注意力的整合,最后,通过公共车位数据集PS2.0对所提出的算法进行测试,结果表明,该算法的检测精度优于当前主流算法,平均每帧图像推理时间可缩短至10.1ms,具备良好的准确性和实时性。

基于BP神经网络的协作过滤推荐算法

研究、探讨了协同推荐问题,提出了一种基于两层面的多个后向传播(BP)神经网络的协作过滤推荐算法(TMNN-CFRA).两层面的多个BP神经网络协同工作,高层面BP网反向误差传播直至低层面多个人工神经网络(ANN)进行网络权值修正,以此为基础,借助用户评价等特征前向给出项目推荐.标准评测集Movielens上的实验评测表明了TMNN-CFRA的可行性和有效性.

并行协作模块化神经网络体系结构

提出了一种并行协作模块化神经网络的体系结构和学习算法 ,它可实现复杂任务的自动分解判定和模块化训练策略 .实验表明 ,本文提出的体系结构和算法与非模块化神经网络技术相比 ,提高了训练速度、改善了网络性能 ,它具有高效并行运行效率、容易实现新增样本学习等特点 .

基于人工神经网络的多机器人协作学习研究

机器人足球比赛是一个有趣并且复杂的新兴的人工智能研究领域,它是一个典型的多智能体系统。文中主要研究机器人足球比赛中的协作行为的学习问题,采用人工神经网络算法实现了两个足球机器人的传球学习,实验结果表明了该方法的有效性。最后讨论了对ＢＰ算法的诸多改进方法。

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。

基于极速神经网络的协作过滤方法研究

协作过滤是一种有效的个性化推荐技术,针对该技术随着用户和资源的增多,数据的高维稀疏特性严重导致推荐质量的下降和计算速度减慢的问题,研究并实现了一种基于极速神经网络的协作过滤方法。采用主成分分析解决数据高维稀疏性问题,采用极速神经网络技术解决计算速度慢的问题。实验结果表明,该方法具有良好的泛化性能和学习速度,能很好的满足个性化资源推荐的需求。

基于粗糙集的并行协作模块化神经网络模式分类器

该文提出了基于粗糙集的K类模式分类器的体系结构(RSPCMNNC),基于粗糙集理论提出了三个预处理算法,简化了分类器的结构,降低了学习难度,有效地避免产生过多的子网。样本空间基于最大均衡的策略来划分,保证BP算法在学习过程中的有效性。实验结果表明,该文提出的RSPCMNNC分类器显示出更高的识别率,对于实际应用中多特征模式的识别问题,具有很大的实用价值。

基于异构卷积神经网络集成的无监督行人重识别方法

行人重识别旨在从不同的摄像头中识别目标行人的图像.由于不同场景之间存在域偏差,在一个场景中训练好的重识别模型无法直接应用在另一个场景中.为克服该问题,现有的无监督行人重识别方法倾向通过使用聚类算法获得伪标签,再利用伪标签训练重识别模型.但是,由于聚类结果是不准确的,这类方法会引入大量噪声标签,从而限制了模型的泛化能力.因此,为减轻噪声伪标签的影响,本文提出了一种基于异构卷积神经网络集成的无监督行人重识别方法.该框架不使用任何人工标记信息,自动推测目标域中行人图像之间的关系,并构建协作可信实例选择机制,选择可信度高的伪标签用于模型的训练.通过设计双分支异构卷积神经网络学习判别能力强的多种行人特征,并利用记忆单元存储训练过程中的全局特征,减少因噪声标签在训练过程中产生的波动,提高模型的鲁棒性.本文方法在多个公开行人数据集上进行了验证并得到了良好的实验结果.在Market1501和DukeMTMC-reID数据集上,mAP分别达到了85.4%和74.8%.

利用卷积神经网络和协方差的协作频谱感知算法

针对基于信号协方差矩阵的频谱感知算法门限难于准确得到及没有充分利用原始信号信息等问题,提出了基于卷积神经网络和协方差矩阵的协作频谱感知算法。首先将接收的I、Q两路正交信号的归一化协方差矩阵组成双通道输入矩阵,然后使用卷积神经网络直接提取协方差矩阵的特征信息,并进行训练得到分类器,最后使用训练好的模型进行频谱感知。仿真结果表明,本文所提出的频谱感知算法优于对比算法,在信噪比为-13 dB、40个次用户协作感知时,本文算法虚警概率低于0.1,检测概率达到0.9以上。

基于RBF-BP组合神经网络模型的特高拱坝混凝土浇筑仓最高温度预测

鉴于混凝土浇筑仓最高温度对特高拱坝温控防裂的重要性,为了实现对混凝土大坝最高温度的有效控制,将BP神经网络、RBF神经网络相结合,选取浇筑温度、施工现场环境气温、浇筑仓层厚、水管布置、通水的水温和流量作为输入矢量,浇筑仓最高温度作为输出矢量,建立一种基于RBF-BP组合神经网络的浇筑仓最高温度预测模型,并将其应用于溪洛渡特高双曲拱坝中。结果表明,基于RBF-BP组合神经网络预测模型可行、有效,且精度较高、收敛速度快。

基于深度神经网络的在线协作学习交互文本分类方法

有效的在线协作学习可显著改善在线教学质量,而对在线协作学习过程的实时分析、监控和干预是促进协作学习行为有效发生的关键,这有赖于对在线协作学习交互文本的精准分类。为避免人工编码和传统机器学习方法分类效果欠佳的不足,采用基于深度神经网络的卷积神经网络(CNN)、长短时记忆(LSTM)、双向长短时记忆(Bi-LSTM)等模型构建面向在线协作学习交互文本的分类模型,以Word2Vec作为词向量,提出了包含数据收集整理、文本标签标注、数据预处理、词嵌入、数据采样、模型训练、模型调参和模型评价等步骤的在线协作学习交互文本自动分类方法。以知识语义类、调节类、情感类、问题类和无关信息类等作为交互文本的类别划分,对51组大学生所产生的16047条在线协作学习交互文本进行分类后发现:Bi-LSTM模型的分类效果最好,其整体准确率为77.42%;各文本分类模型在问题类、无关信息类交互文本上的准确率较低;CNN模型和LSTM模型在问题类交互文本上的分类效果更佳。该方法在面向在线协作学习的知识掌握度评估、学习活动维持、消极学习情绪干预、学习预警与提示等方面具有较高的应用价值。

基于RBF-BP神经网络的双轮平衡车姿态控制系统

针对非线性强耦合特性的双轮平衡车系统存在自平衡姿态控制反应慢、精度低等问题,提出了以双隐层组合神经网络(Radical basis function-BP,RBF-BP)为基础的模型参考自适应控制(Model reference adaptive control,MRAC)系统。为了获得最优的控制精度,使用自适应遗传算法对RBF-BP双隐层组合神经网络的初始权值进行优化,并利用Matlab软件对该控制系统进行仿真。仿真结果表明,与单一的BP和RBF神经网络控制策略相比,MRAC系统具有反应迅速、抗干扰能力强和控制精度高等特点。

基于RBF-BP组合神经网络的钢丝绳断丝定量识别

为了有效地解决目前钢丝绳断丝定量识别的问题,改善定量识别中泛化性能,减小非标准样本的错误指导影响,提出了RBF-BP组合神经网络模型。以峰值、波宽、小波能量和波形下面积作为输入,建立4输入1输出的网络模型,通过MATLAB仿真和具体的实验对模型进行可靠性分析。结果表明:断丝定量识别正确率达95%,表明了RBF-BP组合神经网络模型的正确性,说明RBF-BP组合神经网络模型对钢丝绳断丝数据训练并达到识别结果是可以实现的,对钢丝绳故障诊断提供理论依据。

基于遗传优化的RBF-BP神经网络电液伺服阀故障诊断算法研究

电液伺服阀是液压伺服系统的核心元件,因此是故障诊断的重点对象,其故障原因经常呈现出非线性和不确定性等复杂状态.单一的BP网络是全局逼近神经网络,学习速度很慢,容易陷入局部极小,易产生震荡等不足,RBF网络是局部逼近神经网络,训练速度快,在训练时不会发生震荡,也不会陷入局部极小.基于它们各自的优缺点,通过将RBF神经网络和BP神经网络有效地结合在一起,取长补短,建立一个由RBF子网和一个BP子网两部分串联构成的双隐藏层RBFBP组合神经网络.该网络既具有BP网络较好的泛化性能,又具备RBF网络较快的逼近速度.用遗传算法优化该神经网络的初始权值和阈值.该网络同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测.

基于GA-BP神经网络的接触式人机协作意图理解方法研究

为有效理解合作者的操作意图,实现机器人的柔顺控制,文章提出了一种基于机器学习的意图理解方法。离线学习阶段,采用遗传算法同时优化BP神经网络的权值、阈值和拓扑结构;在线实时估计阶段,通过在线学习BP算法,调整网络的权值和阈值,对输入参数与输出速度之间的关系进行自学习,并将这种未知关系保存在网络结构内部,不断预测出操作者的意图信息。实验结果表明,该方法在减小了合作者作用力,降低了合作者努力程度的同时,提升了人机协作的运动同步性。

基于改进RBF-BP神经网络的预测方法研究

针对钢铁企业在库存管理方面存在着不能合理控制库存量,从而不能及时正常供应企业生产需求,容易造成企业生产不能正常进行。提出了一种基于改进的麻雀算法优化RBF-BP神经网络(LISSA-RBF-BP)的模型,以宝钢德盛厂物料金钨粉为研究对象,采用此模型对其库存量进行预测,以降低库存成本,减少企业损失。此模型采用鸟群算法优化传统麻雀搜索算法(SSA),提高算法的全局搜索能力,解决了麻雀算法易得到局部最优解问题。采用Logtistic混沌映射优化SSA初始种群,保持种群多样性并能提高算法搜索遍历的均匀性。通过仿真实验结果分析,LISSA-RBF-BP模型比RBF-BP模型和SSA-RBF-BP模型能更加准确的对金钨粉库存量进行预测。