基于隐节点共振致密配对的Web数据文本抽取

Web网络中存在海量文本,需要进行合理高效的文本抽取,实现Web文本数据挖掘。由于Web文本数据的高维特性,文本抽取过程中自动分类配对困难。提出一种基于RBF神经网络隐节点共振致密配对的Web数据文本抽取算法,进行Web数据文本特征采样与关联主特征挖掘,在每次移动中形成RBF隐节点共振致密配对,得到最优文本特征选择的路径,建立RBF神经网络分类器,实现基于蚁群算法的特征抽取算法改进。实验结果表明,该算法能有效实现对隐节点的共振致密配对,特征挖掘跟踪性能较好,保障了挖掘性能,系统所提取的特征分量与其他模糊分量差距较小,文本正确抽取召回率高于传统方法,在Web网络数据文本抽取中具有优越可靠的应用价值。     

结合蜂群算法与RBF神经网络的软件错误定位方法

软件错误是软件开发过程中经常出现的问题,有效地定位错误能够提高软件开发的效率。通过对软件运行时信息的收集与分析,从机器学习的角度提出了一种将蜂群算法与RBF神经网络结合的软件错误定位模型。首先,利用蜂群算法克服RBF神经网络由于隐层节点中心值随机化而导致的网络性能较差的问题,对RBF神经网络模型进行优化与改进。然后,对程序运行过程中的相关信息进行编码,将此编码作为蜂群神经网络模型的训练数据集。最后,根据虚拟测试集进行软件错误定位,实验过程中选用Siemens Suite套件进行了仿真实验。实验结果表明,结合蜂群算法优化与RBF神经网络的软件错误定位方法在软件错误定位方面能够表现出较好的性能。     

RBFNN在数字识别中的应用

径向基(RBF)神经网络是一种典型的前馈网络,具有收敛速度快、能收敛到全局最优点、可最佳逼近等优点。网络设计的主要问题包括隐层节点数、中心和半径的确定,以及网络权值的训练等。这里设计了一个用于车牌字符识别的径向基神经网络(RBFNN),利用竞争学习算法对网络进行学习,确定中心,并采用梯度下降法找到合适的权值参数,用Akaike的FPE标准精简网络,获得了94.9%的识别准确率。     

一种基于AutoEncoder的RBF神经网络训练算法

RBF神经网络中心宽度等参数确定的是否合理将直接影响到RBF网络的学习性能。通过有监督学习的方法来确定RBF神经网络的参数是最一般化的方法。研究表明,参数的初始化问题是该类方法的关键所在。为此,提出了一种利用AutoEncoder初始化RBF神经网络各个参数的新型训练算法。实验仿真表明,与传统RBF神经网络训练算法相比,该新型算法具有更高的训练精度与更强的泛化能力。     

三种RBF神经网络比较分析

径向基函数（RBF）神经网络广泛应用于模式识别、非线性函数逼近等领域。通过对聚类、梯度、正交最小二乘三种RBF神经网络进行正弦函数逼近的仿真实验,从中比较分析这三种RBF神经网络。得到的对比分析结果表明：正交最小二乘的方式所需的训练时间最短,网络收敛速度最快,并且不需要预先定义隐层节点数。     

小波神经网络用于机载火控系统故障诊断研究

研究了基于小波变换预处理的小波神经网络算法并用于机载火控系统的故障诊断。这种方法能够有效提取故障信号特征,从而减少小波网络训练时输入层和隐层节点的个数,减小网络的规模,降低计算的复杂度,加快了训练速度。最后对此方法的性能进行了仿真比较,结果表明此方法能够对机载火控系统电路的故障进行有效诊断和定位,收敛速度较快。     

BP神经网络在坐标转化中的应用

重点介绍BP人工神经网络模型在坐标转化中的应用方法和步骤。运用MATLAB来实现BP神经网络的设计和训练,并对隐层节点数的确定和网络的收敛性等问题进行了研究,最后给出了基于MATLAB的BP算法的实现过程并做了实证分析。     

基于E-Learning随机场学习的信任节点定位算法

提出一种基于E-Learning随机场学习的信任节点定位算法,采用SVM监督学习辅助策略降低新标记样例中可能的误标记样例数以减少新训练集的噪声,设计富信息策略训练学习器,基于KKT原理,把训练ELM的过程等同于解决下面的对偶优化问题。通过E-Learning随机场学习,充分利用算法对噪声具有鲁棒性,实现对了个性化推荐网络信任节点的定位算法改进。仿真结果表明,该算法能准确定位到个性化推荐网络的信任节点,为P2P商家推荐和信任评估提供数据基础,信任节点定位的准确性优越于传统算法。算法采用E-Learning随机场学习,学习过程中不需要调整大量参数,所以算法学习速度快,尤其适合处理大规模的不平衡数据集分类问题,提高了个性化推荐网络信任节点的定位准确性。     

一种改进的基于神经网络的入侵检测算法

径向基神经网络具有良好的分类特性,被广泛应用于入侵检测系统的研究中,然而RBF神经网络需要事先确定隐层神经元数目,并且容易陷入局部最优.利用遗传算法优化隐层神经元数目,并且基于粒子群思想优化隐层到输出层的权值,同时给出了详细的算法流程.经Lincoln实验室入侵检测系统数据评估集合测试,该智能算法的检测成功率大大提高,并且训练时间比较短,完全可以应用于入侵检测系统中.     

基于PSO优化径向基网络的矿用球磨机能耗参数优化研究

球磨机是矿企选矿生产中的高能耗、关重设备,其耗能受多种负荷工艺参数的影响,上述参数间"强非线性"、"强扰动"、"强耦合",且难以直接测量,构建其精确的数学模型十分不易。为提质增效、节能减排,实现矿用球磨机能耗的优化,提出基于粒子群优化径向基神经网络结构参数的能耗预报模型。首先,对决定RBF神经网络模型精度的隐节点中心和宽度2个结构参数优化,避免人工选择的盲目性、尝试性,以此来提升模型的提高,同时利用UCI数据库中的标准数据来验证上述模型的有效性。在此基础上,将包钢巴润矿业选厂5.03×6.4m球磨机的实际生产中105组数据中部分数据作为学习样本,以均方误差为适应度函数,基于PSO优化RBF算法来构建其能耗的预测模型,余下作为测试样本来检验所建模型的有效性。结果表明:与BP算法相比,PSO优化RBF算法具有更高的精度,为磨矿生产的降本增效提供新途径。     

基于MATLAB的BP神经网络的设计与训练

本文介绍了BP神经网络以及运用matlab工具箱构造BP神经网络,并对该神经网络进行训练的方法及过程.并以函数逼近为例,通过改变被逼近函数的参数、BP网络隐层神经元的数目、BP网络的学习算法,比较训练效果的差别,进而得出结论.     

无线传感器网络质心定位算法仿真研究

质心定位算法是无线传感器网络中一种经典的无需测距的定位算法。系统分析了锚节点个数、节点通信半径以及网络中节点总数对该算法定位性能的影响,并进行了仿真。通过对仿真结果的分析,在100m×100m的无线传感器网络区域内,当锚节点个数为总节点个数的10％时,针对不同的总节点个数,存在最优的节点通信半径,可以使节点定位率达到95％以上,同时具有较小的节点定位误差。     

基于径向基函数的非线性混合信号的盲分离

通过径向基函数(RBF)神经网络近似非线性混合映射的方法,研究了一种从非线性混合信号中盲源分离的算法。该方法采用RBF神经网络分离系统输出分量的互信息作为目标函数,目标函数的最小化导致输出量之间的独立性,以便使源信号尽可能的分离出来。采用无监督的模糊C均值聚类方法训练RBF神经网络的权值,可以大大节省计算量。仿真结果讨论了RBF神经网络隐含层不同的神经元个数对盲源分离效果的影响,并且证明了本算法是有效性的和可行的,并且有较强的鲁棒性。     

基于粗糙集和RBF神经网络的工程项目团队的绩效评价

利用粗糙集和RBF神经网络的理论和方法,建立了基于粗糙集和RBF神经网络相结合的工程项目团队绩效评价模型。并结合一个工程项目团队绩效实例,首先对其基于平衡记分卡的评价指标体系进行了约简,然后将约简的评价指标输入到RBF神经网络中进行智能训练,最后把检验样本输入到训练好的RBF网络中,验证得到通过RBF神经网络计算的评价结果与实际结果基本一致。     

基于自适应RBF神经网络的电网变压器故障检测

变压器的故障诊断方法大部分以油中溶解气体为诊断基础,如目前较为常用的四比值法、三比值法等。但存在"编码盲点"、故障诊断准确度不够等问题。本文提出一种基于自适应RBF神经网络的电网变压器故障检测方案,算法输入层节点只会把信号传送到隐含层。在隐含层中,通常使用高斯函数来对所得到了输入向量响应。输出层则是使用一般的线性函数来对输出进行加权。这种模式是一种标准的前向网络模式,能够使得神经网络的输入空间与输出空间得到映射,进而为分类网络并实现函数逼近,提高了网络收敛速度。仿真实验结果表明,本文提出的自适应RBF网络在故障诊断的准确率以及诊断时间的表现皆优于BP、GA-BP神经网络,所在在变压器故障诊断时,可以优先考虑自适应RBF神经网络。     

基于RBF神经网络的汽轮机故障诊断

本文提出了基于RBF神经网络进行汽轮机故障诊断的方法.首先建立了神经网络的诊断模型,然后利用某汽轮机的样本集对一个单隐层的RBF网络进行训练.最后,通过测试网络,验证该网络对于故障模式的识别准率较高.     

改进蚁群算法的中长期电力负荷预测

本文提出蚁群聚类算法的RBFNN模型,并用于电力系统中长期负荷预测.首先,模拟蚂蚁寻找“食物源”的行为,即根据蚂蚁在寻找食物过程中发现“食物源”(聚类中心),蚂蚁就会被“吸引”到食物源周围的特点,应用蚁群优化(ACO)算法,将历史数据聚类分析,得到各类聚类中心位置.其次,当聚类中心确定后,采用递推最小二乘法,训练RBF神经网络的隐含层至输出层之间的权重.最后,通过某电网实际数据,将本文模型与传统RBF模型预测结果进行比较,结果表明本文模型据具有更高的预测精度.     

一种虚拟网络映射算法及其在气象云中的应用

针对现有虚拟网络映射算法效率低下的问题,本文提出了一种基于节点资源能力和节点位置关系的虚拟网络映射算法(Nrc-Npr),仿真实验证明,该算法使映射的物理节点分布紧凑,减少了链路映射阶段映射链路的长度,可以有效的提高虚拟链路的映射质量、网络请求接收率,减少运行时间。将该算法应用到湖南省气象云,取得了良好的效果。     

多源单汇无线传感器网络的局部路由算法

无线传感器网络节点有着严格的能量限制，目前已有的许多路由协议假定了节点知道网络的全局信息或者让节点根据路由表进行路由。这些方式均会使网络产生较多的通信负荷，增大能量开销。结合多源单汇路由的特点，本文提出了几种局部路由算法。该算法中，节点仅根据目标节点与邻居节点的地理位置、剩余能量等信息，决定下一跳节点，最终建立到达目的节点的路径。本文首次引入了带约束后跳发射的思想，并将这种后跳发射与已有的算法相结合得到新的后跳路由算法。计算机仿真实验表明，在有数据融合的网络中，带约束的后跳－为难度路由算法使得网络的生存时间最长，较其余算法增加了网络11%和14%的工作周期数。最后又将局部路由算法进行合理改进，得到最小化平均为难度的算法，应用于无数据融合的网络中，效果很好。     

科学引文网络中形成多主题覆盖的枢纽节点群发现

[目的/意义] 多主题覆盖的枢纽节点群能够快速"导航"至领域更多主题的高被引综述文献和权威节点,从而可以使新领域工作者短时间全面了解领域已有研究、现状和未来发展趋势。[方法/过程] 本文提出一种节点群发现算法——HubsRank算法,该算法基于引文网络中节点影响力（信息、知识）的传递,通过多轮迭代,得到引文网络中多主题覆盖的枢纽节点群。[结果/结论] 最后,与HITs算法进行实证对比分析,本算法能更快、全面地提取枢纽节点群和不同主题的高被引权威节点,且该算法可以有效避免主题集聚效应。