一、基于模糊Hamming网络的模式识别的研究(论文文献综述)
陈会萍[1](2020)在《模糊环境下几类多属性群决策方法及应用研究》文中研究表明在经济、管理以及人类社会生活的各个领域中,决策问题无处不在。但是,随着社会的进步、经济的发展以及信息技术的突飞猛进,人们受到决策问题的复杂性和自身认识事物的局限性的困扰往往不能在决策中作出正确的判断。为了获得更加合理和全面的决策结果,一方面,多个决策者被组织起来共同参与决策,做到集思广益和减少偏见,提高决策的水平和质量;另一方面,Zadeh提出了模糊集的概念,它能更好地描述客观事物自身以及人类思维的模糊性,解决决策者在评价某个方案时很难给出精确的评估值的情况。基于群决策克服个人经验和知识结构的不足以及模糊集能刻画人类思维模糊性的优势,本文聚焦直觉模糊、犹豫模糊和对偶犹豫模糊等模糊环境下的多属性群决策问题,研究工作和创新成果主要包括:(1)提出了基于加权Muirhead平均算子的直觉模糊多属性群决策方法。本文将直觉模糊Einstein运算和Muirhead平均算子相结合,构建了新的直觉模糊加权Muirhead平均算子。在集结直觉模糊信息时,新算子既能考虑信息的重要度,还能捕获任意信息之间的内在关系。同时,剖析了新算子的基本性质。另外,提出了基于加权Muirhead平均算子的多属性群决策方法,旨在解决直觉模糊环境下属性权重和决策者权重未知时的群决策问题。最后,将所提方法应用于投资问题,通过分析与比较验证了新方法的有效性和实用性。(2)建立了基于加法一致性的不完备直觉模糊偏好关系的多属性群决策方法。在决策过程中,决策者有时不能给出完整的直觉模糊偏好关系,从而导致重要信息的缺失。加法一致性可用于估计缺失值,但估计的偏好值可能与定义域冲突。本文建立了直觉模糊偏好关系不完备、决策者权重完全未知时的多属性群决策方法。该方法的创新之处在于:一是给出了加法一致的直觉模糊关系的概念;二是给出了加法一致性获得缺失值,且该偏好值有意义(可表达)的充分条件;三是当估计的值没有意义(不可表达)时,提出了相关的修正算法,将原始的不完备直觉模糊偏好关系中的值进行适当的修正,使得修正后的偏好关系可以利用加法一致性获得有意义且完备的偏好关系;四是发展了直觉模糊偏好关系下均值一致性指数的新定义,并由此来确定决策者权重。建筑立面罩盖系统的决策问题的解决验证了提出的不完备直觉模糊偏好关系下的群决策方法的有效性。(3)设计了社会网络下基于加权幂算子的犹豫模糊多属性群决策方法。由社会网络分析的研究可知,群决策中的决策者之间存在着交互关系;此外,原有的幂算子在集结犹豫模糊信息时会随着元素的长度、属性和决策者数量的增加,而使计算变得非常复杂。为了简化计算,本文将有序运算法则和幂算子进行结合,定义新的犹豫模糊集结算子,并讨论了算子的性质;提出了犹豫模糊元的扩展算法。该算法利用社会关系和社会影响力获得相对客观的犹豫模糊元的添加值,一定程度上克服了原有添加值方法的主观性。同时,分别利用Page Rank和犹豫模糊矩阵获得决策者权重,并进行组合。通过实际案例的分析,以及与已有研究的比较,说明了本文提出的社会网络下的犹豫模糊多属性群决策方法的可行性。(4)构建了基于新信息测度的对偶犹豫模糊TOPSIS多属性决策方法。在计算两个对偶犹豫模糊元的距离时,现有的研究方法要求两个元素的隶属度和非隶属度中含有值的个数(长度)分别相同。否则,就必须根据决策者的风险偏好向长度较短的隶属度或非隶属度中添加一些值。但是,这些添加值会在一定程度上增加决策的主观性,不同的添加方法也会导致出现不同的决策结果。为了克服这个局限性,本文定义了新的距离测度和相似测度。这些测度在计算过程中不需要改变对偶犹豫模糊元中的任何值。基于补集以及最模糊集的视角,本文提出了熵测度的新度量公式。从新的距离测度和熵测度出发,本文建立了新的对偶犹豫模糊TOPSIS多属性决策方法。项目投资决策问题和铁资源决策问题的解决验证了提出方法的有效性和合理性。
田子林[2](2019)在《虹膜识别中若干关键算法研究》文中认为虹膜识别技术作为重要的生物特征识别技术之一,相比于其他生物识别拥有唯一性、防伪性、稳定性等优势,但在现实运用中虹膜识别技术依然存在很多不足:获取的虹膜图像尺寸小、有效像素少、采集虹膜图像时易出现斜视、遮挡、模糊等情况,这些因素的影响虹膜图像的质量、虹膜定位时的速度和准确度、虹膜特征的提取与匹配准确性从而影响虹膜识别的速度与可信度。本文针对上述问题,从研究虹膜图像质量评价入手,研究了虹膜定位算法和特征提取算法,以期在前人工作的基础上,对虹膜识别效率有所提高。本文首先对国内外虹膜识别技术进行了细致研究,对目前主流虹膜识别算法进行了比较分析,详细陈述了在虹膜图像质量评价、虹膜定位和特征提取与匹配中的所做的相关工作,并以中科院CASIA_V1.0数据库为基础对改进的算法验证分析。本文的主要研究内容如下:1.虹膜质量评价。为解决低质量虹膜图像对虹膜识别性能的影响,本文提出一种基于形态学与灰度差异的虹膜质量评价方法,除去采集时低质量虹膜图像的,提高虹膜识别系统的准确率。2.虹膜定位。针对虹膜内外边缘轮廓信息不足导致定位效率低的问题,本文提出了一种结合最小二乘法和分块算子的定位算法,首先对虹膜外边缘使用最小二乘法拟合定位,然后使用霍夫变换对虹膜内边缘粗定位,最后使用分块算子精定位,提高了虹膜定位的精度与速度。3.虹膜特征提取。本文综合分析现在有的几种特征提取算法,提出了一种基于改进的2D-Gabor滤波器与小波变换两种算法的虹膜特征提取算法。本文所提供的算法,在CASIA_V1.0数据库上用Matlab进行了实验验证,将本文的算法与其他算法进行了对比分析,取得了较为理想的实验结果,证明了所提供的相关算法的有效性和可行性。
祁晨晨[3](2019)在《直觉模糊集相似度模型的构建及应用研究》文中进行了进一步梳理随着科学技术的不断进步,事物所处环境越来越复杂化,提高了信息表达的不确定性。直觉模糊集理论能够很好的诠释人们对客观不确定性事物描述的惯性思维,自提出以来一直备受关注,被应用于模式识别、数据挖掘、信息安全等领域,也成为了决策领域的一个重点研究方向。直觉模糊集相似性测度旨在描述两个直觉模糊集的接近或相似程度,是近年来直觉模糊集领域一个重要的研究方向。区间直觉模糊集是直觉模糊集的一种主要扩展形式,已有广泛的应用。目前,已有的直觉模糊集或区间直觉模糊集相似度存在的主要问题有:相似度计算结果与直觉不符,在相似度比较时区分度不明显,实际应用的效果较差。因此,针对以上问题,论文通过分析直觉模糊集中蕴含的决策信息,分别提出了新的直觉模糊集相似度与区间直觉模糊集相似度,并应用于电子商务平台个性化推荐绩效评估等现实决策问题中。基于此,论文的主要研究成果有:(1)对现有直觉模糊数的相似度函数做了较为完整的描述,分析了其与相似度定义的匹配程度;其次,分析了直觉模糊集相似度部分性质应用的局限性,依据记分函数来比较直觉模糊数的大小,进而重新定义了直觉模糊集的相似度性质;再次,针对重新定义的相似度性质,设计了一种新的直觉模糊集相似度度量模型;最后通过算例分析验证本文方法的有效性和对决策结果的区分度。(2)直觉模糊集的隶属关系不能完全适用于区间直觉模糊集,故其相似度测度模型与特征条件难以实现完全匹配。论文首先归纳现有区间直觉模糊集相似度构建方法,分析相似度与其条件匹配的冲突性,然后基于几何距离和重心设计了一种新的区间直觉模糊集相似度模型;最后分析了本文模型的优越性和应用价值。(3)在全面剖析个性化推荐内容、转化过程和推荐结果的基础上,深入分析影响个性化推荐绩效改进和耦合关系的关键要素,设计了评价指标体系和评价模型。最后,基于本文提出的相似度方法对电商平台个性化推荐绩效进行评估。
邓鹏[4](2018)在《基于忆阻器的神经网络构建与应用研究》文中进行了进一步梳理忆阻器是与电阻、电容及电感并列的第四种基本电子器件,于1971年由蔡少棠教授提出,2008年惠普公司通过大量实验制造出纳米级忆阻器实物器件,此后,国内外学者开始加深对忆阻器的研究,经典的忆阻器模型不断被提出,忆阻器在非线性电路、保密通信、人工智能等领域的应用也不断增多。基于忆阻器的神经网络研究是近年来的研究热点,但大多都只限于神经网络的特性研究,并未涉及到忆阻神经网络的应用研究。本文提出一种改进型忆阻器模型的构建方法,基于此忆阻器模型构建汉明神经网络,并将汉明神经网络应用到交通方式识别领域。交通方式识别是近年来的新型研究领域,准确预测人们出行的交通方式有助于合理规划交通建设,减少交通拥堵,提高人们的出行速度。首先对现阶段忆阻器模型进行分析,结合各种经典忆阻器模型,提出了改进型忆阻器模型,改进型忆阻器模型主要由四个部分构成,分别是缓存单元、积分放大单元、电压偏置单元和线性光耦单元。该忆阻器模型较之传统忆阻器模型能够更精确读取忆阻值,并能保存断电前电路状态,简单分析其电路模型后再进行仿真,分别在不同频率下观察其电压与电流曲线变化情况。然后采用本文提出的改进型忆阻器模型模拟神经突触。由于忆阻器和神经元中神经突触在结构上具有相似性,使得忆阻器非常适合用于模拟神经突触。研究构建好的人工神经突触是否满足STDP规则,进而结合神经元MOS管构建人工神经元细胞电路。基于忆阻器与神经元MOS管构建人工神经元细胞的方法,比传统方法构建的神经元电路具有更高的效率。神经元是神经网络的最基本单位,在构建好人工神经元细胞电路后,进一步构建汉明神经网络的双层结构。最后由构建好的汉明神经网络结合GPS应用到交通方式识别领域,通过仿真结果可知,结合GPS与忆阻汉明神经网络对人们出行方式进行预测的方法,其准确率高于传统的通过简单算法与GPS结合的方法,这表明忆阻神经网络存在其优势,可以展望忆阻神经网络在其它领域的应用。
张振华[5](2012)在《几类特殊模糊集的理论与应用研究》文中提出通过引入隶属度函数μA(x),非隶属度函数vA(x)和犹豫度函数πA(x),Atanassov建立了直觉模糊集,它推广了Zadeh模糊集理论。根据直觉模糊集定义,μA(x)表示支持派的比例,vA(x)表示反对派的比例,πA(x)表示弃权派的比例。虽然直觉模糊集诞生后,众多学者开始研究该领域,并把它广泛地应用到决策分析、模式识别、医疗诊断、自动控制和模糊推理等研究领域。然而,传统的研究并未涉及对弃权派可能发展趋势的分析,因此,现有方法适合于静态模型而不适合动态模型。于是,徐泽水和Yager于2008年提出了一种动态决策模型,此后卫贵武和Su等也研究了动态决策模型。但是即便如此,他们也未对弃权派进行分析。而且考虑到在实践决策中,弃权派可能随着时间的迁移发生变化,因此在未来的动态决策研究中,弃权派将可能扮演重要的角色。有鉴于此,我们通过对犹豫度的分析,提出了一系列带参数的动态模糊集模型。首先,我们假设对于事件A,μA(x)是坚定的支持派,vA(x)是坚定的反对派,πA(x)是最大的弃权派,πA*(x)=(1-λA0(x))πA(x))πA(x)是坚定的弃权派,πA(x)-πA*(x)=λA0(x)πA(x)是可转化的弃权派。在此,λAO(x)表示弃权派中可转化的比率。很显然三派总和μA(x)+vA(x)+πA(x)=1且0≤λAO(x)≤1。接着,我们又把可转化的弃权派进行划分,其中λA0(x)λA1(x)πA(x)转变成支持派,λA0(x)(1-λA1(x))πA(x)转变成反对派,在此,可转化的弃权派转变成支持派的比例为λAI(x),转变成反对派的比例为1-λAI(x),我们也有0≤λAI(x)≤1。根据对弃权派的分解,我们提出了一系列定义:带参数模糊集,带参数直觉模糊集,带参数区间值直觉模糊集等,并提出其构造方法。其次,我们提出了一种新的广义区间值直觉模糊集模型,并证明了模糊集、区间值模糊集、直觉模糊集、区间值直觉模糊集、Vague集和区间值Vague集都是其特例。接着,我们证明对于建立在新广义区间值直觉模糊集之上的交集运算、并集运算和补集运算构成封闭的软代数系统,这个性质与模糊集的性质是一样的。第三,基于直觉模糊集,我们提出了一些新的比率距离测度和计分函数,并指出这些测度与函数具备良好的数学性质。相应地,我们把这些距离测度和计分函数推广到带参数模糊集领域,并进而将其运用到模式识别与医疗诊断。仿真实验表明,相应的带参数模糊集方法比传统的模糊集方法更有效。第四,我们提出了一些新的直觉模糊集和区间值直觉模糊集排序函数,并将其推广到带参数模糊集、带参数直觉模糊集、带参数区间值直觉模糊集和广义区间值直觉模糊集。我们证明了任意直觉模糊集的排序函数都是其带参数模型下的特例。最后,利用上述排序函数,我们将带参数模糊集、带参数直觉模糊集、带参数区间值直觉模糊集都运用到多属性决策。试验结果表明,我们可以通过调节参数到合适的数值而得到所需要的结果。因此,带参数模糊集方法能够被运用到动态决策领域,我们可以通过调节参数,从而调节隶属度函数、非隶属度函数和犹豫度函数,并进而预测所有可能的决策结果。总之,本文提出的新方法扩展了模糊集和区间值模糊集在模式识别与决策中的应用。仿真实验结果表明,本文所提出的新方法比传统的模糊集方法和直觉模糊集方法更广泛、也更灵活。
秦科[6](2010)在《混沌神经网络本征分析及在模式识别和密码体制中的应用研究》文中提出科学研究发现,混沌在脑电波活动过程中扮演了非常重要的角色。人脑的思维是在混沌与有序的边界上演化,经典的神经网络并不能模拟这种演化过程。混沌神经网络的出现弥补了这方面的遗憾。作为一门新理论与新工具,混沌神经网络引起了研究者们的极大热情。与经典神经网络不同,混沌神经网络具有不动点吸引子、周期吸引子以及奇怪吸引子。这些特殊性质使得混沌神经网络在人工智能、信息安全、海量存储、智能搜索、最优化计算等领域具有重要应用价值。目前,对混沌神经网络的研究主要是分析混沌神经元的动力学性质、网络的动态行为及其应用,较少有人对网络拓扑结构等问题做深入研究。本篇论文针对混沌神经网络的本质特征、拓扑结构以及潜在应用价值进行了深入分析,取得了如下具有创新性的研究成果:(1)深刻分析了Adachi混沌神经元(后面简称Adachi神经元)的动力学性质和Adachi混沌神经网络(后面简称Adachi网络)的动态行为。本文论证了Adachi神经元的控制参数对分岔的影响;利用Lyapunov指数分析,指出Adachi网络的所有Lyapunov指数均为负,证明了Adachi网络的动力学特性其实并不是严格“混沌”;深入分析了在不同条件下,Adachi网络的动态联想记忆和模式识别能力。这些结论在Adachi和Aihara的文章中并没有给出,在相关文献中也不曾涉及。这部分研究成果发表在我的学术论文[1]中(EI检索:20090511877722)。(2)成功构造了四种具有较低连接复杂度的新型混沌神经网络。本文基于Adachi网络,通过最大生成树、随机图、小世界网络、无标度图构造方法和梯度搜索算法,构造了四种新颖的混沌神经网络,分别是:Linear-Adachi,Ramdom-Adachi,SmallWorld-Adachi和ScaleFree-Adachi。这些新的网络所拥有的边数远远小于O ( N 2),其中Linear-Adachi网络的边数仅为N-1,Random-Adachi和SmallWorld-Adachi网络的任意神经元的连接度近似满足泊松分布。它们具有更小的计算代价、更丰富的生物学意义和更强的混沌模式识别能力。这部分研究成果发表在IEEE trans. NN [2]和Chaotic Systems[3]中。(3)提出了一种基于Logistic映射和Hopfield网络的新型混沌神经网络(Logistic NN)。通过计算Lyapunov指数分析了该网络的动态特性;利用实验仿真的手段证明了Logistic NN具有很好的混沌模式识别能力:当Logistic NN受到已知模式刺激时,神经元状态变量之间呈某种“有序”关系;而受到未知模式刺激时,神经元状态变量之间呈“混沌”关系。这种在有序与混沌之间切换的行为,表明Logistic NN可以较好地模拟人脑思维活动。这部分研究成果体现在我的学术论文[4]中(EI待检索)。(4)指出了当前部分混沌密码体制的安全缺陷,针对特殊的安全多播应用场合,设计了基于Chebyshev多项式和Jacobian椭圆有理映射的多播密钥管理方案,并对该密钥管理方案进行了一步步完善和安全性分析,证明该方案和基于离散对数的DH密钥交换方案具有相同的安全程度。这部分研究成果体现在我的学术论文[5,6,7,8]中(其中[5]被EI检索:20080411054447,[6]待检索)。(5)针对基于混沌神经网络的密码体制这个交叉学科进行了深入分析,指出了基于Chebyshev神经网络的加密算法并非如原文声称的那样安全,攻击者容易通过神经网络的同步来破译密码;基于混沌神经网络的消息认证算法也是不安全的,在一定条件下,攻击者可以成功找到冲突;在特殊情况下,网络的输出Hash值对密钥和明文并不敏感;基于时延神经网络的密码算法也是脆弱的,攻击者可以在不知道网络参数的情况下利用已知明文攻击来破译部分明文内容;针对以上算法的脆弱性,本文给出了相应的补救措施。这部分研究成果体现在我的学术论文[9]中。
曹慧媛[7](2009)在《人工神经网络在认知诊断中的应用研究》文中研究表明随着社会的发展,人们已经不满足于只给出一个总分的成就性测验,而是希望能从被试的实际作答反应中获得更多有关被试认知结构的信息,以便对被试做出更具体更客观的评价,并且给出相应的补救措施。根据这种需求,近些年认知诊断评价蓬勃发展。认知诊断根据被试作答反应诊断出被试对认知属性的掌握情况,从而获得被试的具体认知状况,并给出补救措施。为了帮助评估被试的认知状态,Leighton等人(2004)在对规则空间模型研究的基础上提出了基于属性层级关系的认知诊断模型——属性层级模型(Attribute Hierarchy Model ,AHM)。根据已确定的属性之间的层级关系,属性层级模型可以将被试在试题上的作答反应即观察反应模式划归为某种期望反应模式,以此得到被试的知识状态。人工神经网络作为一种自适应的模式识别技术,具有很强的学习能力和联想功能以及容错性能等,在解决一些复杂的模式识别问题中显示出其独特的优势。这些优势使得它在模式识别中有着越来越广泛的应用。Gierl和Cui等人(2007)应用多层感知器神经网络进行认知诊断分类,且仅采用期望反应模式及其对应的属性掌握模式作为训练集。与此不同,本文使用其他人工神经网络(BP网络、Hamming网络以及PNN网络)进行认知诊断分类,并且扩大了训练集。通过对0-1评分的AHM模式分类仿真实验表明,与AHM中以往的模式分类方法相比,本文使用的人工神经网络方法不仅具有较高的归准率而且更具有自适应性和鲁棒性。
王宗志[8](2005)在《水资源智能模式识别方法及其应用》文中研究指明模糊集、人工神经网络、遗传算法是当前国际学术界三大学科前沿领域,它们突破了以传统数学模型为基础解决现实问题的思维方式,探索、模拟大千世界复杂多变的非线性特征,成为目前正蓬勃发展的新兴学科—智能科学的核心内容,是仿生学的三大重要分支。 自从模糊集、人工神经网络、遗传算法引入水资源模式识别方法以后,“模式”的内涵与外延大大拓广。本文尝试应用这三大方法解决水问题,提出了基于这三大方法的水资源智能模式识别的概念,给出了水资源智能模式识别方法解决水问题的一般步骤。详述了遗传算法存在的问题并提出一套从算法整体结构上改进的加速遗传算法;提出了基于改进加速遗传算法的水质模型参数智能识别方法、基于人工神经网络的智能模式识别方法、基于模糊集理论的智能模式识别方法、基于时间序列的智能模式识别方法,并将这些方法用于解决实际的水问题。结果表明水资源智能模式识别方法在具有广阔的应用前景。
田志友,吴瑞明,王浣尘[9](2004)在《基于遗传算法的模糊Hamming网络参数优化》文中研究指明根据遗传算法的演化原理,提出了一种新的度量模糊Hamming网络参数性能优劣的适应度函数,在此基础上,将遗传算法作为模糊Hamming网络的训练算法,进行网络参数寻优,并采用UCI机器学习数据库中不同的数据集进行对比测试。试验结果表明:将遗传算法与模糊Hamming网络相结合,可以快速求得最优网络参数组合,避免原有参数调整时的盲目性和随机性,训练后的网络具有分类迅速、准确、稳定的特点。
顾晓辉[10](2003)在《基于BAM-Hamming神经网络的风险估计研究》文中研究说明现代弹药系统是一种集多门学科于一身的复杂系统 ,在研制过程中 ,由于受到不确定性因素的影响 ,会给研制工作带来一定的风险。提出了风险分析在弹药系统研制中的重要性 ,分析了各种风险分析与估计方法 ,给出了项目研制中风险特征因子及其估计方法 ,并将其转换成相应的二元码序列。利用BAM Hamming神经网络建立风险估计模型 ,采用最优编码方式 ,提高神经网络的容错性。以反直升机智能雷为例 ,验证了该方法的有效性和可靠性 ,以及一定的实用价值。
二、基于模糊Hamming网络的模式识别的研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模糊Hamming网络的模式识别的研究(论文提纲范文)
(1)模糊环境下几类多属性群决策方法及应用研究(论文提纲范文)
摘要 |
abstract |
第一章绪绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 模糊偏好关系的相关研究 |
1.2.2 权重确定方法的相关研究 |
1.2.3 模糊信息测度的相关研究 |
1.2.4 信息集结算子的相关研究 |
1.2.5 研究现状评述 |
1.3 研究内容与论文结构 |
1.4 创新之处 |
第二章基基于加权Muirhead平平均算子的直觉模糊多属性群决策方法及应用 |
2.1 引言 |
2.2 理论基础 |
2.2.1 直觉模糊集 |
2.2.2 Muirhead平均算子 |
2.3 直觉模糊加权Muirhead平均算子 |
2.3.1 新加权Muirhead算子 |
2.3.2 新加权Muirhead算子的性质 |
2.4 基于直觉模糊加权Muirhead平均算子的多属性群决策方法 |
2.5 公司投资决策问题 |
2.5.1 决策过程 |
2.5.2 参数向量的敏感性分析 |
2.5.3 与已有方法的比较分析 |
2.6 本章小结 |
第三章基基于不完备直觉模糊偏好关系的群决策方法及应用 |
3.1 引言 |
3.2 理论基础 |
3.3 估计值可表达的充分条件 |
3.4 不可表达的偏好关系的修正算法 |
3.5 不完备直觉模糊偏好关系的群决策方法 |
3.6 建筑立面罩盖系统的选择问题 |
3.6.1 决策过程 |
3.6.2 与已有方法的比较分析 |
3.7 本章小结 |
第四章社社会网络下基于加权幂算子的犹豫模糊多属性群决策方法及应用 |
4.1 引言 |
4.2 理论基础 |
4.2.1 犹豫模糊集 |
4.2.2 社会网络 |
4.3 犹豫模糊加权幂算子 |
4.3.1 新加权幂算子 |
4.3.2 新加权幂算子的性质 |
4.4 社会网络下的犹豫模糊多属性群决策方法 |
4.4.1 犹豫模糊元的扩展算法 |
4.4.2 犹豫模糊多属性群决策方法 |
4.5 旅游目的地的选择问题 |
4.5.1 决策过程 |
4.5.2 讨论分析 |
4.6 本章小结 |
第五章基基于新信息测度的对偶犹豫模糊TOPSIS多多属性决策方法及应用 |
5.1 引言 |
5.2 理论基础 |
5.3 对偶犹豫模糊集的几个新测度 |
5.3.1 距离测度和相似测度 |
5.3.2 熵测度 |
5.4 基于新信息测度的对偶犹豫模糊TOPSIS多属性决策方法. . |
5.5 两个应用实例 |
5.5.1 项目投资决策问题 |
5.5.2 铁资源投资决策问题 |
5.6 本章小结 |
第六章总总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
攻读博士学位期间完成的工作 |
致谢 |
(2)虹膜识别中若干关键算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景 |
1.2 生物特征识别技术简介 |
1.2.1 生物识别技术分类 |
1.2.2 生物识别技术现状 |
1.3 虹膜识别技术概述 |
1.3.1 虹膜的生理结构 |
1.3.2 虹膜识别技术的特点 |
1.4 国内外虹膜识别技术的发展与应用 |
1.4.1 虹膜识别技术的发展 |
1.4.2 虹膜识别技术的应用 |
1.5 本文研究的主要内容安排 |
1.5.1 主要研究内容 |
1.5.2 本文结构安排 |
1.6 本章小结 |
第2章 虹膜识别系统概述 |
2.1 模式识别类型 |
2.2 虹膜识别系统的结构 |
2.3 虹膜图像采集 |
2.3.1 虹膜图像采集的标准 |
2.3.2 虹膜图像采集的硬件原理 |
2.4 虹膜图像质量评价 |
2.5 虹膜图像定位 |
2.6 虹膜图像归一化 |
2.7 虹膜特征提取与匹配 |
2.8 虹膜识别系统的性能判定 |
2.9 本章小结 |
第3章 虹膜图像质量评价 |
3.1 引言 |
3.2 质量评估方法分类 |
3.3 单因子虹膜图像质量评价 |
3.4 基于形态学与灰度差异的虹膜质量评价 |
3.4.1 活体检测与扩张系数 |
3.4.2 清晰度判断 |
3.4.3 遮挡区域检测 |
3.4.4 美瞳检测及斜视判定 |
3.4.5 实验结果及分析 |
3.5 本章小结 |
第4章 虹膜图像定位 |
4.1 引言 |
4.2 经典定位算法介绍 |
4.2.1 Daugman虹膜定位算法 |
4.2.2 Wildes两步走算法 |
4.2.3 最小平均灰度算法 |
4.2.4 圆拟合算法 |
4.2.5 粗定位算法 |
4.3 现有算法分析及存在的问题 |
4.3.1 算法之间的差异与关联 |
4.3.2 现有定位算法面临的问题 |
4.4 本文改进的虹膜内外边缘定位算法 |
4.4.1 算法简介 |
4.4.2 定位预处理 |
4.4.3 最小二乘法拟合外圆 |
4.4.4 内外边缘定位方法的选择 |
4.4.5 霍夫变换对内边缘粗定位 |
4.4.6 分块算子对内边缘精定位 |
4.5 实验结果分析 |
4.6 本章小结 |
第5章 虹膜特征提取与匹配 |
5.1 引言 |
5.2 相关的虹膜特征提取算法 |
5.2.1 小波变换 |
5.2.2 基于相位编码的Daugman算法 |
5.2.3 基于高斯-拉普拉斯滤波算法 |
5.3 本文提出的虹膜特征提取算法 |
5.3.1 虹膜定位 |
5.3.2 虹膜图像归一化 |
5.3.3 有效虹膜区域选取 |
5.3.4 改进2D-Gabor滤波器 |
5.3.5 改进的小波变换 |
5.3.6 虹膜纹理特征提取 |
5.4 虹膜特征匹配 |
5.4.1 欧式距离 |
5.4.2 Hamming距离 |
5.4.3 曼哈顿距离 |
5.5 实验结果与分析 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(3)直觉模糊集相似度模型的构建及应用研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究综述 |
1.2.1 直觉模糊集的相关研究 |
1.2.2 直觉模糊集相似度的相关研究 |
1.2.3 研究成果总结 |
1.3 研究内容与技术路线 |
2 相关理论概述 |
2.1 模糊集的基本理论 |
2.2 直觉模糊集的基本理论 |
2.3 区间直觉模糊集的基本理论 |
2.4 本章小结 |
3 直觉模糊集相似度性质再定义与模型设计 |
3.1 现有直觉模糊集相似度描述 |
3.2 直觉模糊集相似度特征分析 |
3.3 直觉模糊集相似度性质再定义 |
3.4 新的相似度函数设计 |
3.5 新的直觉模糊集相似度优越性分析 |
3.5.1 算例分析 |
3.5.2 模拟分析 |
3.6 本章小结 |
4 区间直觉模糊集相似性测度模型研究 |
4.1 现有区间直觉模糊集相似度描述 |
4.2 现有区间直觉模糊集相似度分析 |
4.3 区间直觉模糊集相似度性质再定义 |
4.4 新的区间直觉模糊集相似度函数设计 |
4.5 新的区间直觉模糊集相似性优越性分析与验证 |
4.5.1 理论证明 |
4.5.2 算例分析 |
4.6 本章小结 |
5 应用研究 |
5.1 背景介绍 |
5.2 个性化推荐绩效关键要素分析 |
5.3 个性化推荐绩效评价指标体系设计 |
5.4 个性化推荐绩效评估 |
5.5 实例研究 |
5.6 本章小结 |
6 结论与展望 |
6.1 研究结论 |
6.2 研究展望 |
致谢 |
参考文献 |
附录 |
(4)基于忆阻器的神经网络构建与应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景 |
1.2 国内外研究现状 |
1.2.1 忆阻器研究现状 |
1.2.2 神经网络研究现状 |
1.3 研究意义与主要内容安排 |
第2章 忆阻器 |
2.1 忆阻器的定义 |
2.1.1 忆阻器的存在依据 |
2.1.2 忆阻器的定义 |
2.2 忆阻器的原理与特性 |
2.2.1 忆阻器的工作原理 |
2.2.2 忆阻器的电路特性 |
2.3 忆阻器的电路模型 |
2.3.1 磁控型忆阻器 |
2.3.2 荷控型忆阻器 |
2.4 忆阻器的典型应用 |
2.4.1 忆阻器在滤波电路中的应用 |
2.4.2 忆阻器在存储及保密中的应用 |
2.4.3 忆阻器在人工智能中的应用 |
2.5 本章小结 |
第3章 改进型忆阻器模型 |
3.1 改进型忆阻器模型的构建与仿真 |
3.2 基于改进型忆阻器的人工神经突触 |
3.2.1 人工神经突触的基本特性 |
3.2.2 改进型忆阻神经突触模型的构建 |
3.3 基于改进型忆阻器的神经元细胞 |
3.4 本章小结 |
第4章 改进型忆阻汉明神经网络 |
4.1 经典神经网络模型 |
4.1.1 BP神经网络 |
4.1.2 Hopfield神经网络 |
4.1.3 ART网络 |
4.2 汉明神经网络 |
4.2.1 汉明神经网络的结构 |
4.2.2 汉明神经网络的特点 |
4.2.3 汉明神经网络的算法 |
4.3 基于忆阻器的汉明神经网络 |
4.4 本章小结 |
第5章 忆阻神经网络在交通方式识别中的应用 |
5.1 模式识别 |
5.2 传统交通方式识别方法 |
5.3 基于忆阻器的交通方式识别方法 |
5.3.1 数据的采集 |
5.3.2 特征量的提取 |
5.3.3 忆阻汉明神经网络的分拣 |
5.3.4 交通方式识别结果 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 研究展望 |
参考文献 |
附录 攻读学位期间发表的论文和参与的科研项目 |
致谢 |
(5)几类特殊模糊集的理论与应用研究(论文提纲范文)
摘要 |
Abstract |
目录 |
图表目录 |
1. 绪论 |
1.1 几类模糊集的特点简述 |
1.2 几类模糊集的研究进展 |
1.2.1 几类模糊集理论研究进展 |
1.2.2 几类模糊集理论在模式识别领域的研究进展 |
1.2.3 几类模糊集理论在决策分析领域的研究进展 |
1.2.4 几类模糊集理论在其他应用领域的研究进展 |
1.3 几类模糊集的研究意义与不足 |
1.4 本文研究的创新点 |
2. 带参数模糊集理论体系 |
2.1 几类特殊模糊集的基本定义及其相互关系 |
2.1.1 几类特殊模糊集的基本定义 |
2.1.2 几类特殊模糊集之间的相互关系 |
2.1.3 几类特殊模糊集的统计背景 |
2.2 几类带参数模糊集的基本定义 |
2.2.1 带参数模糊集的定义 |
2.2.2 带参数直觉模糊集的定义 |
2.2.3 带参数区间值直觉模糊集的定义 |
2.2.4 带参数区间值直觉模糊集的第二定义 |
2.3 几类带参数模糊集与传统模糊集的关系 |
2.4 本章小结 |
3. 广义区间值直觉模糊集与广义区间值Vague集 |
3.1 广义区间值直觉模糊集的基本定义 |
3.1.1 广义区间值直觉模糊集的统计背景 |
3.1.2 广义区间值直觉模糊集的定义 |
3.2 广义区间值直觉模糊集与其他几类模糊集的关系 |
3.3 带参数广义区间值直觉模糊集的基本定义 |
3.3.1 带参数广义区间值直觉模糊集的定义 |
3.3.2 带参数广义区间值直觉模糊集和其他模糊集的关系 |
3.3.3 由直觉模糊集生成的带参数广义区间值直觉模糊集 |
3.4 广义区间值直觉模糊集的运算性质 |
3.4.1 广义区间值直觉模糊集的运算定义 |
3.4.2 广义区间值直觉模糊集的运算性质 |
3.5 广义区间值直觉模糊集构成一个封闭的软代数系统 |
3.6 本章小结 |
4. 模糊集理论在模式识别中的应用 |
4.1 几类模糊集的距离 |
4.1.1 几类模糊集距离的基本定义 |
4.1.2 几类模糊集的距离公式 |
4.1.3 几类模糊集距离公式的合理性证明 |
4.2 模糊集在模式识别中的应用 |
4.2.1 模糊模式识别的步骤与框架 |
4.2.2 医疗诊断模糊模式识别的问题阐述 |
4.3 基于直觉模糊集的医疗诊断模糊模式识别 |
4.4 基于直觉模糊集的几类新比率相似测度及其应用 |
4.4.1 基于综合加权的直觉模糊集比率相似度量及其应用 |
4.4.2 基于百分比的直觉模糊集比率相似度量及其应用 |
4.4.3 基于百分比的综合加权比率相似度量及其应用 |
4.4.4 逆向比率相似度量及其应用 |
4.5 计分函数相似度量及其应用 |
4.5.1 计分函数的基本定义 |
4.5.2 计分函数的构造 |
4.5.3 基于计分函数的模式识别 |
4.6 本章小结 |
5. 带参数模糊集理论在模式识别中的应用 |
5.1 带参数模糊集的距离公式 |
5.1.1 带参数模糊集距离公式的统一定义 |
5.1.2 带参数模糊集的距离公式 |
5.2 带参数模糊集在模式识别中的应用 |
5.2.1 基于带参数模糊集的动态模糊模式识别 |
5.2.2 实验结果对比分析 |
5.3 激励-惩罚型单参数直觉模糊集在模式识别中的应用 |
5.3.1 激励-惩罚型单参数直觉模糊集的动态模糊模式识别 |
5.3.2 实验结果对比分析 |
5.4 双参数直觉模糊集在模式识别中的应用 |
5.4.1 双参数直觉模糊集在二维欧氏距离下的动态模糊模式识别 |
5.4.2 实验结果对比分析 |
5.4.3 双参数直觉模糊集在三维欧氏距离下的动态模糊模式识别 |
5.4.4 实验结果对比分析 |
5.4.5 二维欧氏距离与三维欧氏距离实验结果对比分析 |
5.4.6 双参数直觉模糊集的单参数化 |
5.4.7 实验结果对比分析 |
5.5 带参数区间值直觉模糊集在模式识别中的应用 |
5.5.1 带参数区间值直觉模糊集与带参数直觉模糊集的联系与区别 |
5.5.2 带参数区间值直觉模糊集在二维欧氏距离下的动态模糊模式识别 |
5.5.3 实验结果对比分析 |
5.6 带参数区间值直觉模糊集新加权距离模型在模式识别中的应用 |
5.6.1 区间值直觉模糊集的新加权距离 |
5.6.2 带参数区间值直觉模糊集的新加权距离 |
5.6.3 带参数区间值直觉模糊集新加权距离在模式识别中的应用 |
5.7 广义区间值直觉模糊集的新加权距离及其在模式识别中的应用 |
5.7.1 广义区间值直觉模糊集及其新加权距离模型 |
5.7.2 三参数广义区间值直觉模糊集模型及其新加权距离 |
5.7.3 三参数广义区间值直觉模糊集的动态模糊模式识别 |
5.8 几类带参数模糊集在模式识别与医疗诊断的应用小结 |
5.9 带参数模糊集在其他模式识别模型中的应用 |
5.9.1 问题阐述 |
5.9.2 带参数模糊集的专家模型模式识别 |
6. 带参数模糊集的模糊多属性决策 |
6.1 几类模糊集的模糊多属性决策 |
6.1.1 模糊多属性决策 |
6.1.2 城市规划的模糊决策案例 |
6.1.3 城市规划的模糊多属性决策 |
6.1.4 实验结果对比分析 |
6.1.5 均衡权重下的城市规划模糊多属性决策 |
6.1.6 均衡权重下的模糊多属性决策实验结果对比分析 |
6.1.7 不同权重下的模糊多属性决策实验结果对比分析 |
6.1.8 模糊多专家多属性决策案例 |
6.2 带参数模糊集的动态模糊多属性决策 |
6.2.1 带参数模糊集的模糊多属性决策步骤 |
6.2.2 带参数模糊集的动态模糊多属性决策应用 |
6.3 直觉模糊集的模糊多属性决策 |
6.3.1 直觉模糊多属性决策 |
6.3.2 常用的直觉模糊排序函数 |
6.3.3 常用的直觉模糊排序函数在多属性决策中的应用 |
6.4 基于直觉模糊集计分函数的模糊多属性决策 |
6.4.1 直觉模糊集计分函数定义 |
6.4.2 直觉模糊集计分函数性质 |
6.4.3 基于计分函数的直觉模糊单属性决策 |
6.4.4 基于计分函数的直觉模糊多属性决策 |
6.5 带参数直觉模糊集的多属性决策 |
6.5.1 带参数直觉模糊集的排序函数 |
6.5.2 基于传统排序函数的带参数直觉模糊集动态多属性决策 |
6.5.3 基于带参数直觉模糊集计分函数的动态多属性决策 |
6.5.4 基于带参数直觉模糊集动态多属性决策的扩展研究 |
6.6 带参数区间值直觉模糊集的多属性决策 |
6.6.1 区间值直觉模糊集的排序函数 |
6.6.2 带参数区间值直觉模糊集及其排序函数 |
6.6.3 带参数区间值直觉模糊集的动态多属性决策 |
6.7 带参数区间值直觉模糊集新加权排序函数下的多属性决策 |
6.7.1 区间值直觉模糊集的新加权排序函数 |
6.7.2 区间值直觉模糊集新加权排序函数与直觉模糊集排序函数的关系 |
6.8 本章小结 |
7. 结论、不足与展望 |
致谢 |
参考文献 |
附录 |
(6)混沌神经网络本征分析及在模式识别和密码体制中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 引言 |
1.1 选题意义与课题来源 |
1.2 混沌神经网络的研究动态 |
1.2.1 研究概况 |
1.2.2 已有的研究成果 |
1.2.3 四种通用的混沌神经网络设计思路 |
1.3 现阶段存在的问题 |
1.3.1 拓扑结构 |
1.3.2 学习算法 |
1.3.3 动态联想记忆和模式识别能力 |
1.3.4 混沌神经密码体制 |
1.4 研究内容与研究目标 |
1.5 必要的知识储备 |
1.5.1 混沌 |
1.5.2 Lyapunov 指数 |
1.6 本文主要创新点 |
1.7 本文的内容组织结构 |
第二章 典型混沌神经网络的动力学性质分析及应用研究 |
2.1 本章导读 |
2.2 Nagumo-Sato 神经网络模型的动力学性质分析 |
2.3 Adachi 神经网络的分析 |
2.3.1 Adachi 神经元模型 |
2.3.2 Adachi 神经网络模型 |
2.3.3 Adachi 神经元的Lyapunov 指数分析 |
2.3.4 Adachi 网络的Lyapunov 指数分析 |
2.3.5 Adachi 网络的应用性质研究 |
2.4 离散Hopfield 网络与Adachi 网络的相似性研究 |
2.4.1 关于Adachi 网络动态联想记忆容量的讨论 |
2.4.2 关于Adachi 网络学习算法的说明 |
2.5 Calitoiu-Oommen 模型的混沌模式识别能力分析 |
2.6 本章小结 |
第三章 混沌神经网络的拓扑性质研究 |
3.1 本章导读 |
3.2 将Adachi 网络拓扑简化成线性结构(Linear-Adachi) |
3.2.1 Adachi 网络的生成树 |
3.2.2 用梯度搜索算法修正网络权值 |
3.2.3 Linear-Adachi 网络的Lyapunov 指数分析 |
3.2.4 Linear-Adachi 网络的动态性质分析研究 |
3.3 将Adachi 网络拓扑结构修改为随机图(Random-Adachi) |
3.4 将Adachi 网络拓扑简化成小世界图(SmallWorld-Adachi) |
3.5 将Adachi 网络拓扑简化成无标度图(ScaleFree-Adachi) |
3.6 本章小结 |
第四章 基于Logistic 映射的混沌神经网络研究与设计 |
4.1 本章导读 |
4.2 Logistic 神经网络结构 |
4.3 Lyapunov 指数分析 |
4.4 Logistic NN 的联想记忆性质 |
4.5 Logistic NN 的模式识别性质 |
4.6 本章小结 |
第五章 混沌在密码学中的应用研究 |
5.1 本章导读 |
5.2 混沌与加密 |
5.3 部分数字混沌密码算法安全性分析 |
5.3.1 一类基于Chebyshev 多项式的公钥密码算法分析 |
5.3.2 基于Chebyshev 多项式的密钥协商算法分析 |
5.3.3 一类基于混沌搜索的密码机制分析 |
5.3.4 基于分段映射的混沌流密码算法分析 |
5.3.5 一类基于混沌映射的图像加密算法分析 |
5.4 一类基于混沌迭代的密钥管理算法分析研究 |
5.4.1 基于Jacobian 椭圆有理映射的组密钥管理算法 |
5.4.2 基于Jacobian 椭圆有理映射的组密钥管理算法深入分析 |
5.5 本章小结 |
第六章 混沌神经网络在密码体制中的应用研究分析 |
6.1 本章导读 |
6.2 基于Chebyshev 神经网络加密算法的分析 |
6.3 基于混沌神经网络的消息认证算法(CNNHash)的分析 |
6.4 CNNHash 算法的几条补救建议措施 |
6.5 基于时延神经网络的密码算法的分析 |
6.6 基于时延神经网络的密码算法的几条补救建议措施 |
6.7 本章小结 |
第七章 总结与展望 |
致谢 |
参考文献 |
攻博期间取得的研究成果 |
(7)人工神经网络在认知诊断中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景和目的 |
1.2 本文工作及论文组织 |
1.3 本文主要创新点 |
第二章 认知诊断简述 |
2.1 认知诊断研究的意义 |
2.2 认知诊断的概念 |
2.3 实现认知诊断的三大理论基础 |
2.4 认知诊断模型 |
2.4.1 规则空间模型(Rule Space Model, RSM) |
2.4.2 属性层级模型(Attribute Hierarchy Method ,AHM ) |
2.5 国内外认知诊断研究现状 |
第三章 模式识别简述 |
3.1 模式识别定义 |
3.2 模式识别研究的内容 |
3.3 模式识别方法 |
3.3.1 统计决策理论方法 |
3.3.2 结构模式识别方法 |
3.3.3 模糊模式识别 |
3.3.4 人工神经网络模式识别 |
3.4 模式识别技术的近乎无限的发展潜力 |
第四章 人工神经网络简述 |
4.1 人工神经网络简介 |
4.1.1 人工神经网络的特点 |
4.1.2 人工神经网络的主要研究方向 |
4.2 人工神经网络分类 |
4.3 前向型神经网络 |
4.3.1 BP 神经网络(Back Propagation,BP) |
4.3.2 径向基函数网络 |
4.3.3 竞争型神经网络 |
4.3.4 概率神经网络 |
4.4 人工神经网络的发展趋势 |
第五章 人工神经网络在认知诊断分类中的应用 |
5.1 前言 |
5.2 人工神经网络认知诊断分类 |
5.2.1 BP 神经网络的设计和训练 |
5.2.2 Hamming 网络 |
5.2.3 概率神经网络的创建、训练和测试 |
5.3 结论 |
第六章实验以及结果分析 |
6.1 实验设计 |
6.2 实验数据的模拟 |
6.2.1 期望反应模式 |
6.2.2 观察反应模式 |
6.2.3 训练集以及测试集 |
6.3 评价指标 |
6.4 实验结果及分析 |
第七章总结与展望 |
参考文献 |
附录一 |
附录二 |
附录三 |
致谢 |
在学期间论文发表及参加课题情况 |
(8)水资源智能模式识别方法及其应用(论文提纲范文)
第一章 绪论 |
1.1 前言 |
1.2 水资源模式识别方法 |
1.3 水资源智能模式识别方法 |
1.4 本论文研究的主要内容 |
第二章 基于遗传算法的水资源智能模式识别方法及其应用 |
2.1 引言 |
2.2 遗传算法概述 |
2.3 基于串并联结构的格雷码加速遗传算法 |
2.4 基于SS-GAGA的河流水质模型参数智能模式识别方法 |
2.5 小结 |
第三章 基于模糊集理论的水资源智能模式识别方法及其应用 |
3.1 引言 |
3.2 模糊聚类分析方法 |
3.3 对应分析方法 |
3.4 基于模糊C-均值聚类与对应分析方法的智能模式识别方法的建立 |
3.5 用CFA-FCM模型识别巢湖流域非点源污染物来源 |
3.6 用CFA-FCM模型识别武汉东湖污染物来源 |
3.7 小结 |
第四章 基于人工神经网络的水资源模式识别方法及其应用 |
4.1 引言 |
4.2 人工神经网络概述 |
4.3 BP网络方法的建立 |
4.4 用基于BP人工神经网络的模式识别方法预测济南地下水位 |
4.5 小波网络方法的建立 |
4.6 用基于小波网络的模式识别方法评价东湖水质现状 |
4.7 小结 |
第五章 基于时间序列的水资源智能模式识别方法及其应用 |
5.1 引言 |
5.2 遗传门限自回归方法(TAR)的建立 |
5.3 用遗传门限自回归方法(TAR)预测土壤含水量 |
5.4 遗传门限混合回归方法(THR)的建立 |
5.5 用遗传门限混合回归方法(THR)预测济南地下水位动态变化 |
5.6 小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
(9)基于遗传算法的模糊Hamming网络参数优化(论文提纲范文)
1 引言 |
2 模糊Hamming网络的结构与学习过程 |
2.1 网络结构 |
2.2 网络的学习过程 |
3 应用遗传算法进行模糊Hamming网络的参数优化 |
3.1 待优化参数的确定及其编码方式 |
3.2 适应度函数的确定 |
3.3 演化过程的其他设置 |
4 基于UCI数据库的测试 |
5 结论 |
四、基于模糊Hamming网络的模式识别的研究(论文参考文献)
- [1]模糊环境下几类多属性群决策方法及应用研究[D]. 陈会萍. 上海大学, 2020(02)
- [2]虹膜识别中若干关键算法研究[D]. 田子林. 河南科技大学, 2019(06)
- [3]直觉模糊集相似度模型的构建及应用研究[D]. 祁晨晨. 南京理工大学, 2019(06)
- [4]基于忆阻器的神经网络构建与应用研究[D]. 邓鹏. 湖南科技大学, 2018(07)
- [5]几类特殊模糊集的理论与应用研究[D]. 张振华. 南京理工大学, 2012(06)
- [6]混沌神经网络本征分析及在模式识别和密码体制中的应用研究[D]. 秦科. 电子科技大学, 2010(12)
- [7]人工神经网络在认知诊断中的应用研究[D]. 曹慧媛. 江西师范大学, 2009(S2)
- [8]水资源智能模式识别方法及其应用[D]. 王宗志. 合肥工业大学, 2005(04)
- [9]基于遗传算法的模糊Hamming网络参数优化[J]. 田志友,吴瑞明,王浣尘. 计算机工程与应用, 2004(20)
- [10]基于BAM-Hamming神经网络的风险估计研究[J]. 顾晓辉. 系统工程与电子技术, 2003(01)