基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度。该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果。     

基于小波神经网络的S&P500短期走势预测

将小波神经网络应用于S&P500短期走势预测,应用从1998年3月20日至1999年4月26日S&P500的每周数据,建立小波神经网络预测模型.训练后的小波神经网络不仅能准确地拟合S&P500的历史数据,而且能较精确地预测未来的短期走势.结果表明S&P500的小波神经网络预测模型比神经网络模型更为优越.     

基于规则的前馈神经网络的混沌梯度下降耦合学习算法

提出用规则判断由于BP神经网络学习过程中因梯度搜索产生的局部极小 ,并利用具有全局寻优的特点的混沌优化算法 ,使学习过程能有效地逃离局部极小。即 ,梯度下降进研“粗搜索”、混沌优化法进行“细搜索”及建立规则将两者结合起来 ,就构成了本文的基于混沌梯度下降的前馈神经网络学习算法。这种算法有效地利用了梯度下降算法的快速性和混沌寻优的全局性。将该算法应用于铜锍吹炼过程智能决策支持系统模型库中的模型学习 ,产生了良好的应用效果。     

一种基于神经网络和决策树的信用评估新方法

分析了数据挖掘在国内外金融领域的应用及研究现状,提出了一种基于神经网络和决策树相结合的信用评估新方法。该方法通过RBF神经网络,进行条件属性裁减,并利用决策树抽取出评估规则。此方法利用神经网络的“黑箱”工作特性,选择重要条件属性,并利用决策树自动生成评估规则,大大提高了信用评估的效率和客观性。     

补偿模糊神经网络的改进及实例分析

建立了一种改进的补偿模糊神经网络系统,使模糊系统较强的知识表达能力与神经网络强大的自学习能力优势互补.并提出了一种动态调整学习步长的机制,能够避免较大震荡现象的出现;同时加快了迭代速度,最后将该方法应用到预测我国第三产业的产值比重中,结果较为满意;与常规神经网络相比,迭代速度和误差精度都有大大的提高;实践证明该方法值得进一步推广运用.     

基于小波变换和神经网络的视频文字检测

图像中文字的检测有广泛的应用范围。无论是出现在场景中的文字 ,还是以图形的形式附加在视频图像中的文字 ,都能提供重要的索引信息资源。在这篇文章中 ,我们实现了一种基于小波变换和人工神经网络的视频文字检测系统。它能检测出现在数字图像中的文字区域。我们的系统实现了一个层次间隔的特征提取器 ,其输出结果将送到一个用于提取文本区域的人工神经网络处理器 ,即智能分类器。分析出来的文字区域可以送往适当的光学字符识别系统。在对各种各样文本检测的试验中显示了我们的系统的性能。     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。     

煤与瓦斯突出的预测及防治措施

在总结分析国内外煤与瓦斯突出机理、突出类型、突出条件、突出一般规律和影响因素的基础上,重点比较分析了煤与瓦斯突出预测的各种方法及针对性防治措施,指出神经网络是预测煤与瓦斯突出非线性问题的最有前景的方法。     

Slnnes：逻辑＋神经网络专家系统工具

信息与认知科学的原理表明，人工智能和网络表现了两种不同的思维方式。它具有共同的基础,这就是对信息的处理；只是处理的方法和机制各有千秋。它们相辅相成，正好构成了智能理论的完备框架。本文详细介绍的专家系统工具Slnnes就是在信息科学和认知科学理论的基础上寻求人工智能专家系统和神经网络的有机结合而形成的统一体系。     

IIR DF设计的高阶关联神经网络优化方法

基于全反馈高阶关联神经网络优化理论,提出了一种ＩＲ数字滤波器神经网络优化设计方法（ＩＩＲＮＮＯ）的理论框架。表征设计质量的加权均方误差当作神经网络能量函数,导出了ＩＩＲＮＮＯ的Ｌｙａｐｕｎｏｖ方法。简要说明了该方法计算机实现的基本原则,通过设计实例及与其他方法的比较,证明了它的有效性。