多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

小样本纱线质量预测的机器学习算法适用性分析

为了解决当前基于神经网络的纱线质量预测模型针对小样本预测精度偏低和预测精度不稳定的问题,建立了随机森林(RF)算法预测模型、多层感知机神经网络(MLP)算法预测模型和线性回归(LR)算法预测模型,就各算法模型在小样本情况下对不同数据特点的数据集的敏感性、不同数据维度的敏感性和不同训练样本数的敏感性进行了预测性能对比试验。用决定系数和均方根误差进行模型预测性能评估。试验结果表明:在小样本情况下,相比于MLP算法和LR算法,大多数情况下RF算法预测准确性更高、预测精度稳定性更好、对小训练样本量的适应性更好,具有较高的综合预测性能。

基于神经网络的语音识别研究

由于具有良好的抽象分类特性,神经网络现已应用于语音识别系统的研究和开发,并成为解决识别相关问题的有效工具。为解决一般语音识别系统准确率较低的问题,本文分别给出了由循环神经网络(RNN)和多层感知器(MLP)组成识别模块的两种语音识别系统,并对二者识别的准确性进行了比较。介绍了特征提取模块的主要工作步骤并讨论了组成识别模块的上述两种神经网络结构。其中,特征提取模块利用线性预测编码(LPC)倒谱编码器,把输入语音翻译成LPC倒谱空间中的曲线;而识别模块完成对某个特征空间曲线之间的联系和单词的识别。实验结果表明,MLP方法准确率高于RNN方法,而RNN方法准确率可达85%。

神经网络在车辆牌照字符识别中的应用

在车辆牌照自动识别系统中 ,因自然因素或采样因素使得原本规则的印刷体字符产生畸变 ,给字符识别带来了很大困难。本文在特征抽取的基础上 ,采用 BP网络进行分类 ,并附加线性感知器来实现单字的有效识别。该方法算法简便 ,识别率高 ,可适用于多种高噪声环境中的印刷体字符识别。

敏感变量和感知机结合的测试预言生成方法

测试预言生成技术是软件工程测试领域的研究热点之一.没有可以利用的历史测试用例是目前大部分测试预言生成技术的普遍假设,但是这种假设会使我们错过利用现有部分测试用例协助自动生成新测试用例预言的机会.在已知部分测试用例集的情况下,提出了基于敏感变量和线性感知机的新测试用例的测试预言自动生成方法.首先,收集已知测试用例执行的语句覆盖和不同断点处内存值集合作为训练集,计算与新测试用例执行覆盖信息高度相似的测试用例集;其次,计算各断点处表征成功或失败的敏感变量集;然后,应用线性感知机求解每个断点处成功或失败概率预测的门限值;在此基础上,给出新测试用例测试预言自动生成的方法,并对方法进行讨论;最后,采用7个程序的129个故障版本作为实验对象,对共计14 300个测试用例生成测试预言.实证评价表明,测试预言准确率平均达到96.2%.该成果可以形成测试用例集合构造的"滚雪球效应",不断迭代自动生成新测试用例的测试预言.

汉字的线性分类实验

本文通过实验研究了在汉字识别中应用线性分类器的可能性 ,考察了汉字之间的线性可分性。实验使用了两种主要的线性分类器 :Fisher线性判别和感知器。实验检验每一对汉字的线性可分性。实验结果表明 ,汉字之间的线性分类性是相当好的。尤其是Fisher线性判别 ,不能成功线性分类的汉字仅占百万分之 4.2 5。这显示了在汉字识别中应用线性分类器是有着巨大的潜力的。同时 ,线性分类实验结果还可用来检验所选取特征的好坏 ,有利于客观的评价特征。

利用孪生多层感知机进行线状要素几何相似性判别

针对传统的几何相似性判别方法依赖于人工特征的定义和选取,且难以确定合适阈值的问题,提出一种基于孪生多层感知机的线状要素几何相似性判别方法。该方法将线状要素的几何数据转换为二值图像,利用孪生网络和多层感知机提取线状要素的低维模糊性特征;并通过距离函数计算特征差异,判别线状要素的几何相似性。实验表明,该方法在线状要素几何相似性判别中具有良好的效果,同时具有快速迁移学习的能力;并随样本库的扩充和神经网络模型的优化还有进一步改进的空间。

模糊线性判别函数与权重初始化超球面

将非线性神经元及多层感知机分类行为分析建筑在模糊集理论基础上 ,提出模糊线性判别函数、模糊判别面、模糊模式分类等概念 ,并引导出将多层感知机的隐层权重值均匀地分布在权重空间超球面上的网络初始化方法。以一系列实验验证此方法能明显提高多层感知机收敛性能 ,且与所用的学习算法、神经元的激励函数形式无关。

人工神经网络与DNA序列分类问题

介绍了神经网络的两种简单模型:感知器和线性分类器,并应用感知器模型对DNA序列分类问题进行求解和结果分析,并提出了对感知器模型求解分类问题的一种改进方法。

多元线性回归的一种神经计算实现及其优点

给出了用模糊感知器学习算法和(ε,δ)准则估计多元线性回归模型回归系数的详细算法,讨论了学习速率、ε和δ的设定;并与经典的回归系数估计方法最小二乘法作比较,发现总体拟合最好的特性对于含异常数据(noisydata)的情况反而会使预测值背离事实更远,而基于模糊感知器的学习算法实现线性回归具有编程简单、对数据无特殊要求而且对数据的容错性较高的优点,可用来实现数据挖掘所需要的预测和异常检测功能。

判别分析模型在信用评价中的应用

本文利用线性判别分析建立信用评价模型,用来对中国2000年106家上市公司2000年96家上市公司进行两类模式(“好”、“差”)分类及三类模式(“好”、“中”、“差”)分类。对于线性判别分析法,又使用两种不同的方法进行判别分析:一种是利用SPSS统计软件对数据样本进行判别分析,称为LDA-SPSS方法;一种是利用原始样本数据推导建立线性判别分析模型,然后根据模型计算得到的结果对数据样本进行判别分析,称为LDA方法。仿真结果表明,无论是两类模式分类还是三类模式分类,LDA-SPSS的判别效果均优于LDA。但与多层感知器(MLP)相比,对两类模式分类,LDA-SPSS(100%)优于MLP(98.11%),MLP又优于LDALDA(95.28%);对三类模式分类,LDA-SPSS(91.67%)优于LDA(82.29%),LDA又优于MLP(79.17%)。

基于HJ-1数据和V-I-S模型的城市不透水层变化分析

选择2008年和2010年徐州市城区的HJ-1A/1B多光谱遥感图像,利用线性光谱混合模型(LSMM)、多层感知器(MLP)神经网络和自组织映射(SOM)神经网络3种混合像元分解方法,基于V-I-S(植被-不透水层-土壤)模型提取城市不透水层。对3种方法的精度分析对比表明,MLP方法优于其他两种方法,能够比较清晰地反映出徐州市城市化的发展。对两个时相多光谱影像提取的不透水层信息的分析表明,徐州市近两年的发展中心已逐渐向城市边缘地带扩展,其主要原因在于经济的迅速增长和城市化进程的加速发展。

线性分类中基于感知器的子网分析法研究

为解决一层感知器对线性不可分矢量分类的限制,提出了一种基于一隐层感知器神经网络模型的子网分析方法。子网分析法网络构造严格精确但预处理较复杂,适合于低维矢量的分类,不会产生错分。用三维线性不可分矢量验证了这种方法的可行性。

递归多层感知器的稳定性分析——LMI方法

递归多层感知器(RMLP)在工程上应用比较多,但对其稳定性的研究还比较少.本文提出一种新的神经网络模型———标准神经网络模型(SNNM),通过状态空间扩展法,将RMLP转化为SNNM,而SNNM的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用Matlab/LMIToolbox求解LMI,从而判定RMLP的Lyapunov稳定性,并考虑非零阈值对稳定性的影响.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.

非线性权函数感知器的一种线性快速学习算法

高阶感知器是神经元状态变量的非线性化 ,它是一阶感知器的非线性推广 ,除了神经元状态变量的非线性化推广外 ,还对权向量函数的非线性推广而得到的感知器 ,文中定义为具有非线性权向量函数的感知器 ,由于感知器的权重及作用函数都是非线性函数 ,当感知器接近最优点时 ,其连接权调节幅度很小 ,采用对非线性权函数及非线性作用函数分别进行Taylor展开 ,并取其一阶式近似逼近原函数 ,从而使其非线性权函数及非线性作用函数都转化为线性函数 ,简化了感知器学习过程的计算量 ,加快了感知器的学习过程。最后 。

面向不平衡数据集的线性分类方法研究

近年来,面向不平衡数据集的分类器学习与推广问题越来越受到人们的关注,在此以机器学习数据库、美国邮政编码、2维元音等国际上典型的分类问题为应用背景,重点研究如何用线性分类器解决样本数不平衡的问题;对Fisher、伪逆和单层感知器等3种典型的线性分类器做了深入的研究,并将这3种线性分类方法应用到不平衡数据集的分类中;通过实验及分析,这些新方法对平衡数据集的线性分类起到了良好的分类效果。

用于遥感图象分类的神经网络的构造

径向基函数神经网络和多层感知器神经网络具有相似的拓扑结构，它们大都用于目标的分类。对两种模型进行了比较，提出了一个构造径向基函数神经网络分类器的有效方法，并把构造的分类器用于遥感图象的分类实验。

感知器网络的解析、局限与拓展

以图解的方式解释了感知器所具有的对模式进行线性分类的功能，并利用简单的逻辑运算指出感知器在实际应用中所存在的局限性及其严重程度，最后给出了解决问题的途径和方法。

基于多层感知机的长白落叶松人工林林分生物量模型

【目的】神经网络模型能避免林分生物量模型建模时自变量共线性与异方差问题,研究多层感知机在林分生物量模型中的应用,为森林经营单位、区域生物量和碳储量的估算提供方法和依据。【方法】以长白落叶松人工林为研究对象,利用吉林省一类清查固定样地的917组数据,分别建立了基于传统的对数转化后线性模型和神经网络多层感知机的地上生物量和总生物量模型。使用AIC、决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RMSEr)和平均绝对误差(MAE)来评价模型。【结果】估计精度最高的模型是输入单元为林分平均胸径(D)-平均高(H)-林分密度指数(S)-海拔(HB)-坡向(PX)-坡位(PW)、2个隐藏层、隐单元数为40-20的神经网络模型,与传统对数转换线性回归模型相比,地上生物量和总生物量模型的调整决定系数(Adj.R^2)分别从0.902 1提高到了0.914 1,从0.897 9提高到了0.908 9;RMSEr分别从6.330 5%降低到了5.992 2%,从6.490 1%降低到了6.153 6%。包含立地因子的神经网络模型比未包含立地因子的神经网络模型估计精度略有提升,地上生物量与总生物量的Adj.R^2分别提高了0.88%和0.99%,RMSEr分别降低了5.33%和5.46%。【结论】多层感知机生物量模型的估计精度比传统回归模型略有提高,但它可以避免模型选型和违背传统统计假设的处理等问题,且能够一次性计算地上生物量和总生物量模型,有一定优势。

一种混合遗传算法的设计及其应用研究

针对线性分类器这一狭义模式识别问题,分析影响基于感知器的梯度算法的线性分类器的收敛性问题,提出一种遗传算法和梯度算法相结合的权值训练方法,用于线性分类器的参数设计,给出一种衡量算法优劣的标准,并进行仿真研究。