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.     

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．     

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.     

基于机群的并行BP算法的设计与实现

首先说明了一般的BP算法无法满足实时运算的要求，然后根据机群环境的特点，提出了按训练样本集的均衡分配对该算法实施并行化，实测数据表明在大样本集的情况下，此并行算法的效果明显。     

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。     

接触网检测车振动补偿研究

针对接触检测车实际工况,分析了检测车车体振动的动力学特性,建立了基于运动规律的数学模型,论述了训练样本得出检测车拉出值振动补偿函数的原理和方法。     

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%.     

BP神经网络在模拟非线性系统输出中的应用

概述了非线性系统输出模拟的方法，对BP神经网络及改进的BP算法作了简要介绍。以BP神经网络运用于激光焊接过程中模拟焊缝形状的典型例子，探讨了BP神经网络在非线性系统模拟输出中的可行性；通过实例分析及比较测试结果，对BP网络的结构和训练样本的选取等进行了有益的探索。     

基于SA-RBF神经网络的冲压成形拉延筋优化

为提高神经网络预测精度,利用模拟退火算法对基于k-均值聚类的RBF(radical basis function)神经网络进行了结构优化.首先,以NUMISHEET 02翼子板冲压成形为研究对象,以6条等效拉延筋力作为输入变量,基于Spearman相关分析和拉丁超立方抽样抽取相关性系数较小的数据作为SA-RBF(simulated annealing-RBF)神经网络的训练样本;其次,将训练样本进行Dynaform数值仿真,以起皱缺陷和拉裂缺陷建立的成形质量评价函数为目标函数,通过SA-RBF神经网络建立等效拉延筋力与目标函数间的非线性映射关系;再次,利用NSGA-II算法对其进行求解得到Pareto最前沿,通过灰色关联分析理论确定最佳拉延筋力;第三,利用优化的拉延筋力对翼子板成形进行数值仿真分析,成形极限图结果表明,优化后的成形件起皱显著减少,而且塑性变形更加均匀,提高了成形质量.     

基于BP神经网络的隧道位移反分析方法研究

通过设置合理的神经网络结构参数,采用基于数值模拟与正交试验方法建立的训练样本,最终由数学计算得到BP神经网络反演模型。通过神经网络反演模型位移反演分析,将分析结果与地质勘察成果相结合,对围岩性质等目标参数进行优化调整,对于隧道支护参数设计有实际意义,有助于进一步加强隧道稳定性。     

反传神经网络在油石比估计中的应用

利用反传神经网络算法,将沥青混凝土级配等参数作为输入参数,并通过变换不同混合料结构类型的训练样本,可以估计沥青混凝土最佳沥青含量。通过实验验证了这种方法的可行性,并提出了改进的思路。     

基于CT定量比较两种算法对慢性阻塞性肺疾病危重程度的分级

目的基于CT定量分析比较C5.0决策树模型和TAN贝叶斯网络模型对慢性阻塞性肺疾病(chronic obstructive pulmonary disease, COPD)危重程度分类预测的正确率。方法回顾性收集2015年3月至2017年9月"数字肺"数据库中心COPD患者的CT扫描图像与肺功能测试结果,按《2018年慢性肺疾病诊断、治疗及预防全球策略》诊断标准,将患者分为4级。利用"数字肺"自动分析平台得到所有患者肺实质及支气管的相关指标。以肺功能分级为参照,建立C5.0决策树模型和TAN贝叶斯网络模型,比较2个模型对COPD分级的正确率。结果 C5.0的决策树模型训练样本和测试样本的正确率分别为90.76%和63.63%,TAN贝叶斯网络模型训练样本和测试样本的正确率分别为83.19%和52.73%。结论基于CT定量分析,应用C5.0决策树模型能更好地预测COPD疾病的危重程度。     

SVM入侵检测系统中数据预处理方法改进

由于网络数据的复杂性和不规范性制约着SVM分类器的精度,当前被广泛使用的数据预处理方法显得过于单一。因此,提出一种改进的数据预处理方法。首先,利用异构数据集上的奇异距离函数HVDM对数据进行归一化处理;然后,使用最近邻法对数据集修剪得到最后的训练样本,并且通过实验证明该方法可以提高SVM分类器的精度。     

基于轻量级卷积神经网络的烟雾识别算法

由于烟雾图像场景模糊不清,背景复杂多变,难以捕获到有效特征,导致算法识别误报率和漏报率较高;此外,深度卷积神经网络结构复杂,参数繁多,难以缩短其计算时间至1 ms内,这成为实时火灾预警的一大难题. 为了解决上述问题,提出了一种基于4种Inception结构的轻量级卷积神经网络SInception （sequeeze-and-excitation inception）在此基础上加入SE Block （sequeeze-and-excitation block）用于对烟雾特征进行重新分配;同时,为了避免由于训练样本不足引起的过拟合,原始数据集上采用数据增强技术以及生成对抗网络生成更多训练样本,并在后续实验中采用了融合暗通道先验特征的策略. 实验结果表明:该网络在增强的数据集GAN-Aug-YUAN上将识别误报率降为0的同时将准确率提升至99.65%,且计算时间减少到0.26 ms.      

改进SVR及其在铁路客运量预测中的应用

为了提高铁路客运量现有预测方法的预测能力,用训练样本与测试样本间的马氏距离对惩罚因子进行加权,对传统的支持向量回归机(SVR)进行了改进,在此基础上提出了基于改进SVR的铁路客运量时间序列预测方法.以1980~1998年铁路客运量预测为例,对SVR方法和BP人工神经网络(BPANN)方法进行了比较,结果表明,SVR方法能获得更准确的预测结果.