RBF神经网络在股市趋势预测中的应用

将RBF神经网络应用在股市趋势预测中，RBF网络中心点的选取采用最近邻聚类学习算法，以上证指数和基金裕阳为对象进行建模与预测，结果表明，此种网络具有较好的学习和泛化能力，在股市趋势预测中取得了较好的效果。     

基于变精度粗糙-模糊集模型的诊断知识获取

提出一种基于变精度粗糙-模糊集模型的诊断知识获取算法,利用相似性聚类方法自动获取模糊隶属函数,将连续属性表示成模糊值,通过定义模糊相似关系和模糊相似类给出了变精度粗糙-模糊模型的近似表示,并引入蚁群算法求取模糊相似关系下的属性约简,进行诊断知识的获取。将其应用于精对苯二甲酸生产过程尾氧浓度故障诊断知识获取中,结果表明:该算法可以从故障数据中提取更客观有效的诊断规则,在实际故障诊断中具有很好的应用价值。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步：结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

基于蚁群算法的故障识别

提出了一种新的基于蚁群算法的故障诊断知识获取算法。该算法将故障诊断中故障的识别分类问题转化为求解带约束的最优化聚类问题，并应用改进的蚁群算法，基于群体的协作与学习求解这一聚类问题。将该方法应用于一化学反应器的故障诊断过程，结果表明该算法具有实现简单、收敛速度快、本质分布式并行性、鲁棒性强以及故障识别结果可靠等优点。     

眼底图像硬渗出物的分割算法:基于区域分类引导的小波Y-Net的EX分割

目的 为消除视盘在硬渗出物(EX)分割过程中带来的影响提出了基于区域分类引导的小波Y-Net网络的EX分割算法。方法 该网络为端到端的眼底图像EX分割网络,通过区域分类引导EX分割联合实现了视盘区域检测和EX分割,有效地降低了视盘对EX分割的干扰。为了避免因下采样操作产生信息损失而导致微小EX区域分割失效的问题,该网络进一步引入了离散小波变换（DWT）和离散小波逆变换（IDWT）取代传统的池化下采样和上采样操作。同时,采用了基于残差连接的Inception模块获取多尺度特征。所提出的算法在IDRiD、e-ophtha EX数据库上进行训练和测试,并进行像素级评估。结果 区域分类引导的小波Y-Net网络在IDRiD、e-ophtha EX数据库上分别获得0.9858、0.9938的准确率以及0.9880、0.9986的受试者工作特征曲线下面积（AUC）。结论 本文提出的方法能够有效地规避视盘的影响,保留图像细节信息,提升EX的分割效果。     

利用聚类算法找出新的攻击

改进了利用聚类算法查找孤立点的算法，提出在应用到入侵检测的过程中应该结合领域知识、考虑数值性质，这样可以提高检测质量。通过对收集到的网络数据的属性进行计算，找出其中的孤立点，可以使得检测系统在不需要手工编码和标识的训练数据前提下就能检测出攻击。最后通过比较多组实验数据，提出了一种比较有效的检测策略。     

基于谱聚类特征向量分析的模态划分方法

在实际生产过程中,过程数据的多模态特性会对数据建模产生一定的影响,进行模态划分有利于获取精确的模型。目前常用的模态划分方法,如k-means、c-means等聚类方法,在有过渡过程的模态划分应用中,有时不能得到理想的结果。本文提出了一种通用的模态划分方法,以谱聚类算法中相似矩阵的特征向量分析为基础,基于相似矩阵的特征向量与其所包含的聚类信息的关系,使用高斯曼哈顿距离构造模态标签,并用小窗口思想实现动态多模态过程的模态划分。通过对稳态与带过渡过程的多模态数据的实验验证了该算法的有效性。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于改进的GHSOM聚类算法的图像检索

传统的图像检索需要顺序比较图像库中的图像与请求图像的相似度,检索速度和检索准确度都很低。针对此问题,提出了一种基于改进的增长型分层自组织映射网络（GHSOM）的图像检索方法。先将图像特征库用改进的GHSOM算法进行聚类,在图像检索时先在GHSOM网络模型上找到相似的类,然后在相似的类上继续进行检索,大大提高了检索效率。并且在搜索相似的类时充分利用GHSOM网络的分层结构,更进一步地提高了检索效率。改进的GHSOM网络根据算法的特点构建了赤迟信息量（AIC）准则,用该准则来选择每个独立的SOM网络的生长参数,使得每个网络都能正确地表达映射到它的数据集的结构,提高GHSOM网络的聚类效果,从而提高检索的准确性。实验结果表明,改进的GHSOM算法得到了更好的聚类效果,基于它的图像检索方法提高了将近3倍的图像匹配速度,同时图像检索准确率也得到了一定程度的提高。     

IPCA在故障检测与分离中的应用

针对现有ＢＰ网络在故障诊断中存在的缺陷，提出了利用小波函数构造故障诊断神经元网络，利用变尺度算法进行网络训练，加快了网络的训练速度。并交结果运用到一个ＣＳＴＲ非稳态故障诊断的过程中，仿真实例表明，小波网络较ＢＰ网络具有更好的故障诊断能力。     

基于能量均衡的WSN多跳非均匀分簇路由算法

在无线传感器网络路由协议中采用多跳通信的方式能够减少通讯距离、增强网络通讯的稳定性并提高网络能量利用效率,但是,由于靠近汇聚节点的簇头需要转发大量数据,容易导致能量快速衰竭而失效,造成“能量空洞”现象。提出了一种新型的基于能量均衡的多跳非均匀分簇路由算法（MUCRA）,采用逐层成簇的策略,簇头以一定的半径广播分层信号,划分下一层网络区域非均匀层次,普通的传感器节点和簇头根据分层信息选择合适的网络路径。仿真实验结果表明：与经典的LEACH协议及EEUC协议相比,该算法能有效平衡网络负载,缓解“能量空洞”问题     

基于层次模型的kNN查询处理算法

针对当前基于二级网络模型的数据流k-最近邻(kNN)查询中网络流量大、查询结点负载重的问题,提出了一种新的网络模型,将二级网络模型扩展到更通用的层次网络模型。该模型改进了查询算法,在远程节点与查询节点间布置多个中间节点,以处理数据,降低网络数据传输量,减小查询结点的负载。理论分析和数值实验表明新算法能取得较好的结果。     

基于改进的遗传算法优化支持向量机的精馏塔故障诊断

针对支持向量机（SVM）参数的选取困难,提出了利用改进的遗传算法（IGA）对其参数进行优化。IGA采用代沟选择和可变交叉概率,确保当前种群中最适应的个体总是被连续传播到下一代,并使进化后期优化的对象比较容易稳定,计算效率提高。将基于改进遗传算法优化的SVM（IGA-SVM）训练算法应用于某醋酸共沸精馏塔的故障诊断,仿真实验结果表明：对比标准GA-SVM算法,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,且该算法训练速度更快,便于工程应用,对精馏塔的故障诊断有显著的指导作用。     

基于AHP-BP算法的供应链合作伙伴选择建模及其应用

将AHP法与改进的BP神经网络相结合建立了供应链合作伙伴选择模型,并使用L-M算法对神经网络权值进行训练,实现了对供应商的多标准评价;所用的评价指标体系选取全面,适用于多种类型的供应链合作伙伴选择。用实例对模型进行了验证,并取得了较好的评价效果。该模型应用简单,且减少了供应链合作伙伴选择过程中人为因素的影响,具有一定的实用价值。     

基于能量和距离的无线传感器网络路由协议

无线传感器网络(Wireless Sensor Networks, WSNs)是一种新兴的传感器网络。Leach(Low energy adaptive clustering hierarchy)协议是WSNs中最流行的簇类协议之一,它通过概率模型选择簇头,并且周期性地改变簇头来实现最大化的网络覆盖率和网络寿命。本文通过网络中节点的能量和所处的地理位置信息,对Leach协议中节点成为簇头的概率公式进行修正,从而改进协议的簇头选择算法,平衡网络的能耗,达到延长无线传感器网络寿命的目的。基于NS2(Network Simulator Version 2)平台的实验结果证明,改进的Leach算法可以延长WSNs的寿命。     

模糊遗传人工神经网络算法提取乳腺微钙化点的效果

 【目的】微钙化点是早期乳腺癌的重要征象之一，本研究联合运用遗传算法、模糊数学和人工神经网络，建议一种乳腺微钙化点提取的新方法，为乳腺病变的自动识别提供前期处理，为早期乳腺癌的临床诊断提供帮助。【方法】首先利用随机方法产生大量的样本，然后，利用模糊遗传算法对产生的随机样本进行分类，将分类后的样本输入人工神经网络进行训练，将310幅乳腺图像的感兴趣区域输入训练后的人工神经网络分类器进行分类。【结果】与微钙化点提取方面的同类文献相比较，结果表明该算法在相同误检率下得到较高的阳性检出率。【结论】研究表明综合运用遗传算法、模糊数学和人工神经网络进行乳腺微钙化点提取比单纯运用人工神经网络提取效果好。     

基于重叠节点的社会网络最短路径算法

通过路径发现和分析可以挖掘社会网络中人与人之间的关系及其连接特性,特别是在犯罪网络的应用中具有重要意义。通过社区发现算法获得社区间的重叠节点,并构造目标网络的分层网络模型;基于社会网络的高聚集系数特性及幂律分布拓扑特征,提出了基于重叠节点的分层网络路径发现（HOLN）算法,以核心节点距离代替社区间距,优化路径搜索方向;优先搜索重叠节点,简化对节点的遍历,实现源与目标间最短路径的快速发现。实验结果表明,本文提出的HOLN算法在计算精度和运行效率上都有令人满意的表现。     

基于Wasserstein Gan的无监督单模配准方法

本文提出一种基于Wasserstein Gan的无监督单模配准方法。与现有的基于深度学习的单模配准方法不同，本文的方法完成训练不需要Ground truth和预设的相似性度量指标。本文方法的主要结构包括生成网络和判别网络。首先，生成网络输入固定图像（正例图像）和浮动图像并提取图像间潜在的形变场，通过插值方式预测配准图像（负例图像）；然后，判别网络交替输入正例图像和负例图像，判断图像间的相似性，并将判断结果作为损失函数反馈，进而驱动网络参数更新；最后，通过对抗训练，生成网络预测的配准图像能欺骗判别网络，网络收敛。实验中随机选取30例LPBA40脑部数据集、25例EMPIRE10肺部数据集和15例ACDC心脏数据集用作训练数据集，然后将剩下的10例LPBA40脑部数据集、5例EMPIRE10肺部数据集和5例ACDC心脏数据集用作测试数据集。配准结果与Affine算法、Demons算法、SyN算法和VoxelMorph算法对比。实验结果显示，本研究算法的DICE系数（DSC）和归一化相关系数（NCC）评价指标均是最高，表明本文方法的配准精度高于Affine算法、Demons算法、SyN算法和目前无监督的SOTA算法VoxelMorph。     

基于多层图和紧凑性的显著性检测算法

针对传统的自底向上的显著性检测模型突出背景、前景区域不均匀以及显著目标位于图像边缘致使检测效果差等问题,提出了一种基于多层图和紧凑性的显著性检测模型。首先,将图像过分割为超像素,在超像素基础上结合图像块层和聚类层构建多层图模型,能够有效检测不同尺度的图像并获得均匀的显著区域。然后,基于紧凑性假设建立紧凑性模型,并采用元胞自动机优化。根据超像素的紧凑性筛选出可靠的前景种子点和背景种子点,基于多层图模型利用流行排序算法分别计算基于前景种子点和背景种子点的排序分数,从目标和背景的角度结合两种排序分数得到显著图。最后,对显著图进行滤波获得光滑的前景和背景区域,得到最终显著图。在常用的数据集MSRA-1000和ECSSD上与9种流行算法进行比较,实验结果表明该算法具有较高的准确率和召回率。