人工神经网络训练样本的相容性检测及化简

针对人工神经网络的训练样本庞大繁杂的特点,运用粗糙集理论对有指导的网络训练样本的相容性及其化简进行简单论述,同时对神经网络的特征值提取给出了一种寻找方法．     

样本数量对切削力的神经网络预测精度的影响

为用尽量少的训练样本达到预测目的，通过不同数量训练样本训练网络的对比试验，分析了训练样本数量对基于列文伯格-马夸尔特算法的切削力的神经网络预测精度的影响．用统计学平均幅值和均方差作为误差的评价指标，探讨了训练样本数量与预测精度的关系．研究结果表明：用40-50组样本训练网络，就可以实现特定切削用量范围内切削力的准确预测．     

人工神经网络训练样的相容性检测及化简

针对人工神经网络的训练样本庞大繁杂的特点，运用粗糙集理论对有指导的网络训练样本的相容性及其化简进行简单论述。同时对神经网络的特征值提取给出了一种寻找方法。     

基于半监督学习的SVM-KNN

提出一种新的基于半监督的SVM—KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM-KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界．实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价．     

基于深度主动学习的MVB网络故障诊断方法

多功能车辆总线MVB （multiple vehicle bus）用于传输重要的列车运行控制指令和监视信息,准确地诊断MVB网络故障是列车智能运维的基础,为此,提出一种将主动学习和深度神经网络相结合的MVB网络故障诊断方法. 该方法采用堆叠去噪自编码器自动提取MVB信号物理波形特征,并将该特征用于训练深度神经网络来实现MVB网络故障模式分类;基于不确定性和可信度的高效主动学习方法,可解决实际应用中标记样本不足和人工标记成本高昂的问题,使用少量标记训练样本就能得到高性能的深度神经网络模型. 实验结果表明:为达到90%以上分类准确率,所提方法只需要600个标记训练样本,小于随机采样方法所需标记训练样本数的2 800个;在相同标记训练样本数下,所提方法在3种性能指标下均优于传统方法.      

基于主动学习AdaBoost算法与颜色特征的车牌定位

人工选取少量的车牌区域和非车牌区域,采用积分图法快速提取Haar-like扩展特征,构成初始训练样本.使用AdaBoost算法训练样本产生一个初始分类器,经过主动学习过程,产生一个用于车牌检测的强分类器.利用Cascade结构检测法进行车牌的粗定位,通过提取边缘颜色对,对候选区域进行验证,实现车牌区域的精确定位.对不同光照条件及车牌污损等复杂情况下的车牌图像进行了定位测试.测试结果表明:车牌的粗定位率和精确定位率分别为98.3％、97.1％,平均定位时间小于0.1s,因此,该方法有较好的车牌定位效果和定位准确率.     

基于模糊识别的神经网络分类器

提出一种基于模糊识别的神经网络分类器。首先对训练样本ＸＫ进行模糊聚类，求其从属于各类别ωｉ的隶属变Ｕｗｉ（Ｘｋ）。然后利用这些训练样本和所求得的从属于各类别的隶属度，通过神经网络的学习拟合出各模式类的隶属函数，进而构造出神经网络分类器。这种方法将模糊理论与神经网络分布式联想存储的优点相结合，使无监督分类器成了有监督分类器。     

基于高斯过程回归的动车组气动性能预测研究

动车组外形设计后需要进行气动性能分析,以验证模型是否符合气动性能要求.针对传统试车实验和CFD方法成本高、用时长的缺点,提出了一种基于高斯过程回归的动车组气动性能预测模型.选取不同动车组的实体模型,利用STAM-CCM+仿真软件分别得到各模型的气动阻力模拟值,以此作为训练样本集合,然后采用高斯过程回归对训练样本进行学习,探寻动车外形与气动阻力关系,并预测明线动车组气动阻力,最后通过预测残差拟合验证了高斯过程回归预测模型的合理性和准确性.     

改进的BP神经网络在隧道岩爆预测中的应用

在分析岩爆主要影响因素的基础上,建立改进的BP神经网络岩爆预测模型。采用已有岩爆发生数据作为训练样本对网络进行训练,并利用收敛的网络进行岩爆烈度预测,预测结果与实际吻合,说明利用人工神经网络预测岩爆发生烈度是一种可行的方法。     

基于BP神经网络的CPI预测模型

采用归一化数据处理方法,选择神经网络的训练样本,利用神经网络的结构特性及Matlab的人工神经网络工具箱,建立基于BP神经网络的CPI预测系统的数学模型.利用该模型对2008年山东省居民消费价格指数进行预测,通过前4个月的数据分析,模型的预测值与实测值的误差为0.91%.