一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性，提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机，得到RBF网络较优的初始结构和参数；随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明，混合学习算法学习效率高，网络性能优良，应用于函数逼近时效果优良．     

葡萄病害智能诊断网络模型的比较

以选择构建葡萄病害智能诊断系统的最适算法为目的,考查了3种神经网络模型：BP、RBF、GRNN,并以12种葡萄主要病害为研究样本,用3种网络模型分别构建了诊断系统,然后通过样本进行训练与仿真,比较各网络模型的稳定性和准确度。提出以GRNN作为病害诊断的最适模型,其诊断准确率为96％,为整个辅助决策系统的开发奠定了良好的基础。     

一种基于PSO-RBF神经网的入侵检测方法

针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法.该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点.试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足.文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高.     

正则化RBF网络模型在地下水位预测中的应用

【目的】建立地下水位预测的正则化RBF网络模型,为区域地下水资源的利用、规划和管理提供决策依据。【方法】以MATLAB7.0为平台,用函数newrb创建正则化RBF网络模型,基于宝鸡峡灌区B210号观测井1983-2009年的地下水位埋深资料,对网络模型进行训练后再用测试集检验,分别绘制训练集与测试集的拟合曲线,同时计算实测值与预测值间的相对误差(RE)、平均绝对偏差(MAD)和均方误差(MSE),并将其与BP网络模型的相应值进行对比。【结果】正则化RBF网络模型和BP网络模型的相对误差均小于5%,平均绝对偏差分别为0.53和0.85,均方误差分别为0.54和1.15,相比之下,正则化RBF网络模型的预测精度更高。【结论】训练样本和测试样本的合理选取为时间序列的拟合扩展了思路,良好的泛化能力使正则化RBF网络模型在区域地下水位预测中具有一定的可行性。     

农机虚拟装配分类检测网络数据集构建方法

目的 虚拟装配在工业中可节约生产成本,提升机械部件生产效率。现有的虚拟现实引擎缺乏自动建立碰撞体功能,无法完整还原实际装配过程中的物理属性;通用化构建零件网格实体是提升虚拟装配实用性、精确性及通用性的重要途径。方法 以批量农机部件为样本对象,设计批量预处理算法及改进采样相关算法,通过构建三维模型样本的图片数据集,训练人工智能分类检测网络,从图片中分类并检测相关参数,实现自动构建碰撞体功能。结果 经过优化算法处理训练得到的分类检测网络从图片分类零件种类的精度在98%以上,从图片检测零件各项碰撞体构建参数的精度在98%以上;未经优化处理训练的网络不收敛。结论 本研究方法可以有效提升人工智能分类检测网络的识别精度及训练效率,结合碰撞体参数化构建程序,可提升碰撞体建模精度。     

融合ResNet与支持向量机的葡萄园冠层图像叶片覆盖度分类

在视觉感知的基础上,实现作物智能喷洒作业管理是智慧农业重要的组成部分。针对葡萄园智能喷洒作业的需要,本研究构建了一种融合残差网络(ResNet)和支持向量机模型的葡萄园冠层图像叶片覆盖度分类方法。在对葡萄园冠层图像数据集进行数据增强的基础上,利用不同卷积层数的ResNet模型(ResNet-18、ResNet-34和ResNet-50)提取图像特征向量,结合近邻成分分析(NCA)算法及不同分类模型(Cubic SVM、RBF SVM、Linear SVM、DT、BT、Bayes、KNN、RF),筛选出最优葡萄园冠层图像叶片覆盖度分类方法。结果表明：残差网络模型卷积层数的增加,有利于提高模型的分类精度;葡萄园冠层图像叶片覆盖度适宜的分类方法是利用ResNet-18、ResNet-34和ResNet-50各提取1 000个特征向量,进一步利用NCA算法筛选出1 000个权重值较大的特征向量,并利用Cubic SVM模型进行分类。该方法较好实现了模型训练时间和分类精度的平衡,既能大幅减少冗余的特征向量,缩短训练时间,还可以保证模型的分类精度。该方法下模型的分类准确率、精确率、召回率分别达98...     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间，提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络，并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明，ai-SVM算法可大大减小训练样本集和训练代价，且不降低精度。     

BP神经网络学习算法的改进及应用

为了研究BP神经网络改进学习算法的适用情况,通过对实际的4个应用运用BP神经网络的多种改进的学习算法进行训练,比较得到各学习算法的适用范围,并能根据所研究问题类型、网络大小和要求精度等来选择合适的学习算法。结果表明:LM算法逼近效果好,但不适合大规模网络,RPROP算法应用于模式识别收敛速度最快,但不太适合函数逼近,SCG算法对较大网络规模的性能很好,且逼近效果好。     

基于RBF神经网络地下水位预测

在黑龙江八五二农场,以地下水观测井测得的地下水埋深数据作为输出,以温度、湿度、降雨量、蒸发量这4个参数作为输入,一共测得54组数据,其中48组数据作为RBF神经网络的训练数据,6组数据作为测试数据。采用MATLAB2016b为平台创建RBF神经网络模型,对RBF神经网络的训练和测试最后测得最大相对误差为21.5%,最大绝对误差为0.862m。通过建模和得到的数据可以看出RBF神经网络具有较高的预测精度,学习速度也较快。     

基于Mask R-CNN的玉米苗与株芯检测方法

【目的】研究基于改进Mask R-CNN的玉米苗冠层分割算法,满足精准作业中对靶施肥的识别要求,提高化肥的使用效率,减少环境污染。【方法】采集田间玉米苗图片并增强数据,生成田间数据集;使用ResNeXt50/101-FPN作为特征提取网络对分割算法进行训练,并与原始ResNet50/101-FPN的训练精度结果作对比;采用不同光照强度及有伴生杂草的玉米苗图片对比验证冠层识别算法效果。【结果】在不同光照强度下,无伴生杂草的目标平均识别精度高于95.5%,分割精度达98.1%;在有伴生杂草与玉米苗有交叉重合情况下,目标平均识别精度高于94.7%,分割精度达97.9%。检测一帧图像的平均时间为0.11 s。【结论】Mask R-CNN的玉米苗及株芯检测算法有更高的准确率和分割精度,更能适应不同光照强度及有伴生杂草的苗草交叉重合情况的目标检测。     

基于改进径向基函数的降雨量短期预测研究

为提高短期降水量预测的精度,尤其是汛期降水量的准确估计对防洪减灾以及水资源管理都具有很重要的指导意义。将具有较强非线性映射能力的人工神经网络技术用于汛期降水量预测,更符合降水量的随机相关特征,能切实提高其预测精度。将基于密度参数改进传统K-均值算法与径向基函数神经网络(radial basis function,RBF)耦合,提出了一种新的短期降雨量预报模型。并将所构建的模型应用于黑龙江省双鸭山市汛期月降雨量预报中进行验证。RBF神经网络是一种泛化能力较强的前馈型神经网络模型;密度参数可以通过寻找聚类中心至样本平均距离区域内样本的最优密度,使K-均值算法确定的RBF神经网络基函数中心减少波动,消除标准K-均值算法对初始聚类中心的敏感性,提高RBF网络的逼近能力和网络中心的搜索速度。研究结果表明:基于改进径向基函数的降雨预报模型对于预见期2010年、2011年和2012年的汛期(6~9月)降雨量的计算平均相对误差为10.81%,确定性系数为0.95,预报精度比标准K-均值算法和BP神经网络两种模型的计算结果都有所提高。本研究确定的径向基函数能够更好地描述研究区域汛期月降雨量间的映射关系,与标准K-均值算法和BP神经网络两种模型相比,除预报精度有所提高外,其收敛速度更快,这表明本方法能对短期降水预报提供更高的预报精度。     

改进的超限学习机及其在不平衡数据中的应用

超限学习机(ELM)作为一种简单高效的学习算法被广泛应用于分类和拟合问题中.但是ELM在训练过程中逼近所有的样本容易造成过拟合,并且单个的ELM在不平衡数据分类上效果欠佳.因此,本文提出了一种新的基于分层交叉验证的集成超限学习机,该算法在训练阶段将集成学习和分层交叉验证相结合:①集成学习通过将若干个网络组合大大提高分类性能;②分层交叉验证最大程度学习样本的分布特点.基于KEEL数据库的不平衡数据分类问题的实验表明,新提出的算法更加稳定并且有更高的分类性能.     

基于模糊c-均值聚类的SVC迭代训练算法

针对支撑向量机（Support vector machine,SVM）在大规模数据的问题,提出了一种基于模糊c-均值聚类样本选择策略的SVC（SVM for classification）迭代训练算法,从样本抽取、迭代训练两个方面进行了改进,并在多个较大规模UCI标准测试集上进行了试验.结果表明,所提出的迭代训练算法收敛快,在保证学习精度的同时使训练速度加倍、支撑向量减少一半.     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

应用改进的RBF方法预测粘土料力学指标的研究

 坝土料力学指标是土石坝结构稳定分析的重要依据,其传统获取方法为实验方法。本文尝试采用改进RBF神经网络模型,以不同物理指标组合为输入因子,力学指标为输出项。然后,通过改进最近邻聚类算法训练模型进行测试样本模型效果检验。结果表明,改进RBF神经网络模型可以较为快速、准确地预测粘土料力学指标。     

基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别

目的利用红外自动感应相机对野生动物进行图像监测是对野生动物保护管理的有效手段,为了解决野外复杂背景环境导致的野生动物监测图像自动识别准确率低的问题,提出一种基于感兴趣区域(ROI)与卷积神经网络(CNN)的野生动物物种自动识别方法。方法以红外自动感应相机在内蒙古赛罕乌拉国家自然保护区内拍摄的马鹿、斑羚、猞猁、狍和野猪这5种国家级陆生保护动物的图像为实验样本,采用基于回归算法的目标检测方法,对监测图像中野生动物区域进行检测并分割,生成ROI图像,减少复杂背景信息对物种识别的干扰;利用裁剪、仿射变换等方式对样本数据进行扩充;构建基于全局-局部的VGG16双通道网络模型对样本图像进行训练,最后接入分类器输出物种识别结果。同时,构建了基于VGG19的双通道网络模型对样本图像进行训练,并与本研究训练结果进行比较;另外,将样本图像分别输入本研究算法与VGG16、R-CNN、Fast R-CNN算法进行训练,对比不同算法下的识别效果。结果利用本研究模型对样本图像进行训练时,测试集的平均识别精度均值MAP达到0.912,相对于VGG19结构下的训练模型和VGG16、R-CNN、Fast R-CNN,得到了更高的MAP值。结论相比于其他算法,本研究提出的物种识别模型更适合于复杂背景下的野生动物监测图像的物种识别,可以得到更高的MAP值与更优的识别效果。      

基于改进的神经网络预测气候因子对大青杨早材纤维壁厚度和生长速率的影响

为更好地判断气候因子对木材的材质和生长规律的影响,采用径向基函数(RBF)神经网络模型进行模拟,在此基础上提出了一种自适应RBF神经网络以提高拟合精度。结果表明:基于自适应RBF神经网络建立的早材胞壁率及生长速度影响对气候因子响应模型,可以很好地改进传统RBF算法的不足,此算法能较准确的预测人工林大青杨的生长规律,且相比于传统RBF其仿真速度得到显著提高,误差显著减小。     

基于可见-近红外光谱和神经网络的土壤类型鉴别

提出一种利用近红外光谱快速、无损鉴别土壤种类的方法。首先利用近红外光谱仪测定不同种类土壤的光谱特征曲线,利用主成分分析法提取主成分,再结合人工神经网络建立模型进行类型鉴别。主成分分析表明,主成分1、2、3的累积方差贡献率达到99.839%,可以很好地代表原始数据特征。以主成分分析得到的前3个主成分作为神经网络输入,以土壤类型为输出,通过对30个样本的训练学习,分别建立了反向传播人工神经网络(BP)和径向基函数人工神经网络(RBF)。对10个样本进行预测,结果表明2种模型预测的准确性均达到100%。RBF神经网络运行时间明显小于BP网络,具有一定优势。     

基于ANN的轴流脱粒与分离装置性能指标预测

影响水稻轴流脱粒与分离装置性能指标的因素很多,并且它们之间存在着复杂的非线性关系,用传统方法很难对其进行准确预测。神经网络算法简单、学习收敛速度快、具有线性、非线性逼近精度高等特性。本文以正交旋转组合实验获得的数据作为样本,对人工神经网络(ANN)模型进行训练学习,利用训练后所得到的模型,对性能指标进行了预测。结果表明,网络预测值与实测值之间具有很高的相关性和精确度,为机械性能指标研究提供了一定的理论辅助手段。     

基于趋势辨识理论的神经网络及其在水文时间序列预报中的应用

训练样本在数量级上的差别和分配的不均匀会导致网络收敛缓慢,且训练结果偏向样本比重较大的那一方。由AR模型在水文时间序列的较好应用可知,水文时间序列中趋势项占有绝对优势。因此以趋势辨识理论对样本进行规范化,使样本规范化到同一数量级,同时时间序列的趋势保持不变。此外输出层不经过非线性处理,以保证网络有更大的预报空间。经黑河流域实测流量资料验证,基于趋势辨识理论的神经网络在水文时间序列预报中训练速度较快,预报效果较好。