数据仓库下基于学习的并行实体解析算法研究

为了改善传统实体解析算法在单机环境下采用人为方式设定属性权值及阈值难以对海量数据进行快速有效处理的缺点,基于Hadoop框架使用MapReduce计算模型,在多节点分布式环境下,通过不断调整网络学习属性之间的内在关系以及属性权值、阈值等参数后,再将模型放在Hive数据仓库中的真实数据集上进行有效性验证。分别使用5 000及9 000条数据进行实验,实验结果表明,基于学习的并行实体解析算法准确率、召回率和F1值较高。因此,基于学习的并行实体解析算法对于海量数据不仅能进行快速有效的处理,而且能有效降低人工经验中存在的误差,同时也能提高识别结果的准确度,提升识别效率。     

基于BP神经网络的藏语实体关系抽取

随着藏文信息开始与现代化接轨,藏文信息数量在网络上迅速增加。面对海量的网络信息,如何从中挖掘人们所需的信息成为目前关注的热点。目前中文实体关系抽取研究已取得较多成果,而在藏语人物属性抽取研究方面还有很大的提升空间。实验选取实体位置关系、实体间距离关系、实体及周围词特征进行特征向量化。通过BP神经网络模型进行分类抽取,并且取得了较好效果。研究成果可在搜索引擎、信息安全、机器翻译等许多应用领域发挥重要作用。     

基于PCA-LDA与蚁群优化BP神经网络的人脸识别算法

针对人脸识别问题,提出了一种新的算法。该算法利用融合的PCA和LDA算法进行特征提取,并使用蚁群优化的BP神经网络进行人脸识别。使用融合的PCA和LDA算法对特征向量进行提取压缩,为了提高BP神经网络对人脸的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的初始参数,并使用优化后的BP神经网络进行训练和人脸识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

BP神经网络算法改进及应用

针对传统BP神经网络收敛速度慢且容易陷入局部极小值的缺点,通过实验对其进行分析并提出可以提高算法快速性和有效性的改进方法。介绍了BP神经网络的工作原理、基本流程、算法应用领域和在该领域下的优缺点,以及改进方法的具体步骤与改进后的优势。最后通过仿真实验验证了改进算法的有效性。     

快速构建BP神经网络模型

就BP神经网络应用设计中的网络隐含层数、隐含层神经元个数等具体设计问题进行了研究与探讨，提出一种新的构建BP神经网络模型方法。实验表明，使用该方法构建的网络模型训练曲面图形时，得到的网络输出曲面与原样本曲面非常接近，训练误差满足设定要求。     

BP神经网络改进算法研究

通过分析标准BP算法的原理发现,BP标准算法所形成的误差曲面存在着饱和区域,并且在饱和区域,误差梯度变化缓慢,使得训练次数多、学习效率低、收敛速度慢。通过在标准BP算法中调整激活函数,可以缩小饱和区域,进而减少训练次数。实验结果表明,该方法有效地减少了BP算法的迭代次数。     

BP神经网络及其应用和其推广能力的分析

针对BP神经网络进行了详细介绍,首先从数学上对网络的原理进行了说明,指出了它的局限性,又给出了很多改进方法.并通过例子介绍了BP神经网络的应用,后来还对网络的推广能力问题进行了分析.文中的例子也说明了,MATLAB工具箱的使用降低了网络的设计难度.     

基于蚁群神经网络的模拟电路故障诊断研究

为了克服BP算法收敛速度慢、易陷入局部极小点的不足,提出将蚁群算法用于模拟电路故障诊断的神经网络模型学习算法。通过对实际模拟电路的仿真测试,表明该模型能有效地提高包括容差在内的多故障的模拟电路的故障诊断准确率和诊断速度,取得了令人满意的应用效果。     

基于蚁群算法的仿生模式识别神经网络构造方法

仿生模式识别神经网络（BPRNN）同传统BP、RBF神经网络相比具有更好的模式识别能力;训练样本库变更后网络的重新训练时间更小,但该网络构造过程中样本覆盖几何体参数的选择对网络识别率和复杂度有很大影响.本文通过引入蚁群算法来构造并优化网络参数,实验证明该算法法能较好的平衡网络性能和复杂度.     

预测模型的BP神经网络的实现与改进

提出基于反向传播网络预测模型的设计方法，并针对反向传播网络算法的不足之处给出权重调整BP算法，其方法收敛速度快，预测精度高，抗噪能力强，较好地反映了参数之间复杂的非线性关系，为工业生产中数据分析、数值模拟与科学预测提供了良好方法。     

基于人工蜂群算法的BP神经网络研究

BP神经网络具有实现非线性映射特点和较强的容错能力、泛化能力等优点。然而,因为其采用了最速下降梯度寻优算法,在实际应用中往往出现收敛速度缓慢、时常陷入局部极小值等缺陷。人工蜂群算法是受蜂群个体间通过相互协作对既定目标进行寻优的群体行为启发提出的一种新型群智能优化算法,具有很好的全局收敛特性,其次有较强的自适应性、协作性、鲁棒性、快速性等特点。文中探讨用人工蜂群算法来优化BP神经网络算法,进一步提高BP神经网络性能。     

基于BP算法的神经网络用于教学质量评估

本文利用BP算法的前馈神经网络方法建立教学质量评估模型,通过MATLAB神经网络工具箱学习训练网络,经测试数据验证,结果比较准确,能克服各种人为因素,具有广泛的适用性。     

基于BP算法的神经网络用于教学质量评估

本文利用BP算法的前馈神经网络方法建立教学质量评估模型,通过MATLAB神经网络工具箱学习训练网络,经测试数据验证,结果比较准确,能克服各种人为因素,具有广泛的适用性.     

BP神经网络计算法及其应用研究

研究了BP神经网络的算法,提出了权值、阈值调整的双动量算法和学习率调整的批处理半恢复自适应调整法,使网络总体收敛性较好,用所设软件计算了15种含氢原子共价键的键长。     

基于BP神经网络的人岗匹配评价模型研究

人岗匹配测评研究对于个体和企业绩效具有十分重要的影响。从道德素质、身心素质、知识、能力四个方面,对影响人岗匹配的各种因素进行了分析,探讨了基于BP神经网络的人岗匹配测评模型的构建及应用,并进行实例验证。结果表明,该模型能够准确有效地评价人岗匹配的程度。     

运用BP算法神经网络拟合传感器的输出特性

首先介绍了BP算法神经网络的基本原理，然后将BP算法神经网络应用于拟合传感器的输出特性，并在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合传感器的输出特性的优越性。     

BP神经网络实现函数逼近的应用分析

在简单分析BP神经网络数学原理的基础上,指出了BP神经网络存在的问题.接着选择了一个具体的目标函数,利用Matlab的神经网络工具箱进行系统仿真.通过改变系统的隐层神经元数目、训练函数和激励函数,分别比较了系统在模型发生改变后在实现函数逼近性能方面的差异,并提出了要使BP神经网络在函数逼近方面具有良好的性能,在隐层神经元数目、训练函数以及传递(激励)甬数三个方面需要注意的问题.     

神经网络BP算法改进及其性能分析

传统的神经网络BP算法具有强大的自学习、自适应及非线性映射能力,但算法具有收敛缓慢、易陷入局部极优等缺点。针对传统BP算法的不足提出改进方法,并用于解决异或问题和字符识别问题。实验表明,改进算法能提高网络学习速度、减小网络误差,具有更好的收敛性和鲁棒性,各方面都明显优于传统BP算法。     

基于模拟植物生长的BP神经网络学习算法研究

针对标准BP神经网络在训练过程中,网络容易陷入局部极小点,使得进一步调整失去作用的问题,提出了一种有助于提高BP神经网络逼近精度的方法一基于模拟植物生长的学习算法,使BP网络在训练时能有效避开局部最小点,达到全局极小点,并保证了网络有较好的收敛速度。通过一个用Matlab编程的仿真实验表明了这一算法的有效性。