基于加强型价格的随机指数标记算法

随机指数标记算法(REM)是一种有效的主动队列管理算法,但存在队列收敛性差、对网络环境变化响应慢等问题。通过理论分析表明REM算法类似于PI控制策略,感知网络拥塞的能力不足。为克服上述缺点,提出了基于加强型价格的随机指数标记算法(EPREM)。EPREM在原价格中增加数据包到达速率的变化率,得到加强型的价格,同时引入带宽缓存比例因子指导新增参数λ的设定。在NS2中的仿真实验结果表明：相对于REM算法,EPREM提高了收敛速率,增强了算法对网络环境变化的适应性。     

基于神经网络的容错控制在CSTR对象中的应用

将扩展卡尔曼滤波用于RBF网络的权值更新,使该网络能满足动态建模的要求,不仅很好地逼近正常工况下的对象,也能及时有效地重构故障工况模型。基于Lyapunov稳定性推导得到的PID参数自整定算法,保证了基于RBF网络的PID控制算法使跟踪误差收敛。在CSTR系统中,仿真实例说明该方法用于对象元部件故障的检测是有效的。     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

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。     

改进的RBF神经网络模式分类方法应用研究

经典的Bayes分类方法一般需要事先对样本的分布特性作出假设,当假设模型与样本实际分布情况不相符时,就难以得到较高的分类精度。当处理同类别多区域样本分布问题,例如变标签问题时,距离判别、Fisher判别、k－近邻分类、分段线性分类等统计分析方法遇到困难。双螺旋问题不仅使统计方法受到挑战,更使人们对一般前向多层神经网络的能力提出疑问。本文提出了改进的RBF神经网络结构、核函数个数、位置与宽度优化算法。该算法的计算复杂性与一般前向三层LBF网络所用的误差反传算大致相同。核函数生成既考虑了训练集样本自身的类别因素,又考虑了错分样本与邻近类别的关系。一个核函数的最终保留与否根据其对提高测试集分类正确率的贡献大小来决定。同时实验验证了两层LBF网络对提高改进的RBF网络分类正确率的极端重要性。大量应用实例表明,与前向三层RBF网络和前向三层LBF网络相比,该IRBF网络具有收敛速度快、分类精度高、易于得到最小结构、在学习过程中不易陷入局部极小点等优点,有利于实现实时分析。     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

快动眼睡眠期相关阻塞性睡眠呼吸暂停综合征人群特征的研究

目的研究阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea-hypopnea syndrome,OSAHS)患者呼吸事件发生与睡眠时相的关系,探索快动眼睡眠期(REM)依赖的OSAHS患者的临床和多导睡眠图特征。方法OSAHS患者417例,行多导睡眠监测,以REM期呼吸暂停低通气指数(AHI)和非快动眼睡眠期(NREM)AHI的比例表示呼吸事件的REM期主导度。分析患者REM期和NREM期AHI和呼吸事件维持时程的差异以及REM期主导度与睡眠监测参数的相关性;比较REM依赖患者(定义为REM期主导度≥2)与其他患者临床特征的差异。结果患者总体REM期和NREM期AHI比较差异无统计学意义(t=-0.361,P=0.718),呼吸暂停低通气时间指数(AHTI)差异有统计学意义(t=5.784,P=0.000)。229例(55.0%)患者REM期AHI小于NREM期,286例患者(68.6%)REM期AHTI大于NREM期。REM期主导度与AHI显著相关(r=-0.234,P=0.000)。REM依赖的OSAHS患者(67例/16.7%)与其他患者(350例)的AHI(t=10.708),觉醒指数(t=6.070),最低血氧饱和度(t=-5.989),阻塞性呼吸暂停事件比例(t=4.282),颈围(t=2.181)、ESS评分(t=2.772)及体质量指数(t=2.858)差异有统计学意义,而REM睡眠期比例和年龄差异无统计学意义。结论在REM睡眠期多数OSAHS患者存在呼吸事件时程的增长而非单纯的呼吸事件频率的增加。REM睡眠依赖的OSAHS患者AHI相对较低,病情严重度较轻。     

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。     

基于样本密度信息与竞争网络的聚类中心点获取算法

在聚类分析中初值的选取对聚类结果起着关键性的作用。本文在Chiu算法思想的基础上,提出了一种根据样本密度信息获取中心点的算法。该算法不需要任何参数的设定就可实现中心点的获取;之后再通过竞争网络对获取到的中心点进行训练,使中心点更加靠近每一类的中心。仿真实验表明：该算法是有效的且具有很高的可靠性,保证了网络训练前的中心点分布在不同的类簇中,提高了网络的训练效率。     

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。     

人工神经网络在红霉素发酵过程状态预估中的应用

探索了动态ＢＰ网络和ＲＢＦ网络在红霉素发酵过程状态预估中的应用,比较了它们的收敛速度和学习能力。结果表明,ＢＰ网络和ＲＢＦ网络都具有相当好的学习能力,但ＲＢＦ网络的收敛速度更快,训练好的神经网络,在红霉素发酵过程中可在线预估出红霉素效价、葡萄糖浓度、ＮＨ２－Ｎ浓度、丙醇浓度和菌体浓度等参数值,并可在进上步的过程优化和控制中应用。     

径向基人工神经网络在宫颈细胞图像识别中的应用

目的：探讨径向基（RBF）人工神经网络在宫颈细胞图像识别中的应用。方法：提取宫颈细胞和细胞核的15个形态学特征参数及12个色度学特征参数，对700个宫颈细胞按正常、低度鳞状上皮内病变（LSIL）、高度鳞状上皮内病变（HSIL）、宫颈癌进行分类识别。利用软件STATISTICA7．0建立网络模型并训练，用VC＋＋．NET语言调用网络。结果：RBF网络对训练集的拟合度为97．3％，对测试集的分类准确率为95．4％。在测试集中，正常细胞的识别率为96％，LSIL细胞识别率为94％，HSIL细胞识别率为100％，癌细胞识别率为88％。RBF网络输入参数的敏感度排序与细胞病理学特征基本一致。结论：RBF人工神经网络可以很好的对宫颈细胞特别是HSIL细胞进行分类识别。     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预测误差均值来修正神经网络模型预测输出,继而计算出下一个批次的控制输入。随着批次的进行,模型误差逐渐消失,控制输入达到最优控制。仿真实验结果验证了该算法的有效性。     

一种用于非线性系统辨识与控制的自组织模糊神经网络

提出了一种自组织模糊神经网络（Self-Organizing Fuzzy Neural Network,SOFNN）,采用了误差反向传播算法与带遗忘因子的递推最小二乘法相结合的混合优化算法优化系统的模糊规则库及其参数,此外,也引入SRIC（Schwarz&Rissanen Information Criterion）准则设计模糊系统。将本文提出的方法应用于非线性系统的辨识与控制,并讨论了阈值参数对该方法性能的影响。仿真结果表明,本文方法能有效地防止模糊模型过拟合,提高模糊系统的泛化能力,进而提高控制性能。     

基于形态学特征提取的人工神经网络在口腔鳞状细胞癌诊断中的应用

目的 基于形态学图像处理方法,应用径向基神经网络(radial basis function,RBF)寻找一种可行、便捷的方法辅助口腔鳞状细胞癌的诊断.方法 选择口腔鳞状细胞癌和口腔非癌的组织病理切片图像进行形态学方法处理,提取表述特征的向量,作为训练集训练RBF网络;另选择67帧病理图像,包含癌和非癌的病例,作为测试集观察RBF的性能.结果 在RBF网络将测试标本分类结果的分析中可以看到不同输出值分类阈值的选择对应不同的诊断敏感度和特异度.结论 训练后的RBF虽然鉴别阳性、阴性的能力不能和金标准(即病理诊断)相比,但是通过选择不同敏感度和特异度,依然能够有效辅助病理医师,提高诊断效率,发挥机器的优势.     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法，采用模糊C均值聚类(FCM)算法划分输入输出数据空间，最后将该算法应用于丙烯腈收率的预报，仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。