共查询到20条相似文献，搜索用时 156 毫秒
1.
提出了一种用离散模型逼近连续模型进而求解连续域上的优化问题的蚁群优化算法Binary-ACO,并将Bi-nary-ACO与经典BP训练算法进行混合（LMBP和SDBP）应用于多层感知机的训练问题中,并在3个测试数据集上进行对比实验。实验结果证明单一蚁群优化算法作为一种通用的优化算法在前馈神经网络训练问题中的性能无法与经典的BP算法相比较,但是蚁群优化算法和BP经典训练算法结合的混合算法表现性能优良。两种混合算法（Bi-nary-ACO-sdbp和Binary ACO-lmbp）都获得了相当良好的解,特别是Binary ACO-lmbp这种算法不仅比单一的蚁群优化算法的性能上有相当的提高而且也优于经典的BP算法。 相似文献
2.
3.
为了克服和改进传统BP算法的不足,发挥神经网络、遗传算法和蚂蚁算法各自的优势,本文提出了一种遗传算法和蚂蚁算法的融合在神经网络中二次训练的方法,并将融合算法应用于神经网络的权值训练中,采用遗传算法生成信息素分布,同时利用蚂蚁算法求精确解,并用神经网络二次训练得到最终结果,优势互补,获得了一种优化性能与时间性能共赢的有效算法。 相似文献
4.
这篇文章描述了一种检查在对网络数据包中的非正常信息进行分类及入侵检测方法。选用的是Hamming神经网络,选择这种网络的原因是这种网络的学习能力比多层前馈神经网络的能力要好,而且不需要许多次学习训练。以数据包作为输入向量,SNORT签名作为教师向量,关键是向量和捕捉策略的选择。 相似文献
5.
基于蚁群算法的ACO-BP神经网络性能研究 总被引：1，自引：0，他引：1
BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一,存在收敛速度慢、易陷入局部最优等问题。将蚁群算法与BP神经网络相结合,在一定程度上克服了训练网络时间长、精度不高的问题,并与GA-BP神经网络对比分析,展示了ACO-BP神经网络的性能优势。 相似文献
6.
在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法.利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点.最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络. 相似文献
7.
8.
从分析影响旅游业发展的因素出发,选择了对旅游业发展影响最大的危机预警指标,并结合相关数据样本,应用BP神经网络技术,研究建立一种基于BP神经网络模型的旅游危机预警系统,借助MATLAB中的神经网络工具箱进行仿真训练和检测,训练结果表明模型性能良好,预警准确率高,能够很好的用来对旅游危机进行预警、检测和分析研究。 相似文献
9.
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。 相似文献
10.
利用卷积神经网络强大的自学能力,训练合适的CNN来提取图像特征信息,利用RBF函数作为支持向量机的核函数,并结合粒子群算法优化SVM参数,完成图像分类的混合算法。针对乳腺组织的病理图像分类性能的实验分析,给出了混合分类算法的优越性。 相似文献
11.
本文将神经网络与D-S证据理论相结合的融合技术应用于战略决策支持系统,神经网络的输出结果作为基本概率分配,D-S证据理论融合处理输出信息,使两者优势互补,提高了决策的准确性与可靠性。 相似文献
12.
针对缺乏科技型企业高管团队决策绩效评价的研究现状,构建评价指标体系,通过问卷调查的方法收集研究数据,建立科技型企业高管团队决策绩效评价的ELMAN神经网络模型,并利用MATLAB软件计算实现。研究结果表明：利用ELMAN神经网络的非确定性因果关系映射特点建立的决策绩效评价模型,能够完成决策绩效评价任务,可用于评价科技型企业高管团队的决策绩效,不仅验证了方法的有效性,而且也证明了ELMAN神经网络在建立非线性、非确定性因果关系映射模型中的强大生命力。 相似文献
13.
14.
《Information processing & management》2020,57(1):102141
Detecting sentiments in natural language is tricky even for humans, making its automated detection more complicated. This research proffers a hybrid deep learning model for fine-grained sentiment prediction in real-time multimodal data. It reinforces the strengths of deep learning nets in combination to machine learning to deal with two specific semiotic systems, namely the textual (written text) and visual (still images) and their combination within the online content using decision level multimodal fusion. The proposed contextual ConvNet-SVMBoVW model, has four modules, namely, the discretization, text analytics, image analytics, and decision module. The input to the model is multimodal text, m ε {text, image, info-graphic}. The discretization module uses Google Lens to separate the text from the image, which is then processed as discrete entities and sent to the respective text analytics and image analytics modules. Text analytics module determines the sentiment using a hybrid of a convolution neural network (ConvNet) enriched with the contextual semantics of SentiCircle. An aggregation scheme is introduced to compute the hybrid polarity. A support vector machine (SVM) classifier trained using bag-of-visual-words (BoVW) for predicting the visual content sentiment. A Boolean decision module with a logical OR operation is augmented to the architecture which validates and categorizes the output on the basis of five fine-grained sentiment categories (truth values), namely ‘highly positive,’ ‘positive,’ ‘neutral,’ ‘negative’ and ‘highly negative.’ The accuracy achieved by the proposed model is nearly 91% which is an improvement over the accuracy obtained by the text and image modules individually. 相似文献
15.
通过分析品牌延伸决策方面现有研究的不足,探讨了消费者品牌延伸评价因素,建立了品牌延伸决策指标体系;结合品牌延伸决策问题具有的非线性和机理不明确等特征,基于品牌延伸决策指标体系,利用BP神经网络建立了品牌延伸决策模型;最后进行了模型应用。 相似文献
16.
提出一种基于云理论和神经网络构造决策树的文本分类方法。运用云神经网络学习变量间的云映射关系,从中生成云决策树。这种方法结合了神经网络的学习算法和决策树的推理方法,具有神经网络的学习能力,并且应用了云发生器对处理不确定性的能力。更符合人类的思维方式,从而进一步提高了文本分类的效率、准确性和可靠性。 相似文献
17.
L. Piroddi 《Journal of The Franklin Institute》2012,349(3):826-844
Nonlinear control with feedforward neural networks is usually designed by means of model based control strategies, which make explicit use of (direct or inverse) models of the controlled system. In this framework, a typical control problem consists in reducing the effects of the inevitable errors introduced by neural network approximation. In a non-adaptive setting, modeling errors can be compensated by hybrid control schemes, where the approximate neural controller is complemented with an integral type regulator connected in parallel. However, in this way, the model based control paradigm is partially lost and stability properties of the control system may be degraded. In this paper a stability analysis of such hybrid schemes is performed, which shows that control system stability can be achieved provided each of the two control blocks obeys a specific condition. Furthermore, a modified hybrid scheme is proposed to enhance the cooperation between the two control blocks: a nonlinear static filter is employed to modulate the integral action so that it becomes significant only when the neural controller has approached the equilibrium. Stability analysis is extended to this case. The hybrid scheme where the two control blocks are connected hierarchically in cascade is finally discussed. 相似文献
18.
将量子神经网络(QNN)方法应用到电网故障中,建立故障诊断模型。首先以保护装置和断路器的动作信息为条件属性集,建立电网故障决策表,然后将简化后的决策表作为训练样本,训练量子神经网络,使网络具有故障诊断功能。仿真实验结果表明,提出的算法有效提高了故障诊断的正确性和效率。 相似文献
19.
基于粗糙集和BP神经网络的复合图书馆馆藏质量评价研究 总被引：1，自引：0，他引：1
建立了基于粗糙集和BP神经网络的复合图书馆馆藏质量评价模型,首先运用粗糙集模型对评价指标体系中的指标进行约简,消除冗余,然后把约简后得到的评价指标输入到BP神经网络中进行智能训练,最后把待评价的检测样本输入到训练好的BP网络中,得到了馆藏质量实际输出值,实际输出与期望输出结果相吻合,从而证明了评价的可行性和有效性. 相似文献
20.
针对电力系统对短期电力负荷预测精确性的需求，以长短期记忆算法为基础，采用差分自适应进化算法对其进一步改进，从而提出一种基于机器学习的混合算法（SaDE-LSTM）对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据，对改进后的混合算法进行性能测试，首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数，在此基础上，运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性，对同组数据采用支持向量机（SVM）、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明，SaDE-LSTM算法对时间序列数据量要求较低，同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。 相似文献