检索结果-维普期刊中文期刊服务平台

基于构造性神经网络的时间序列混合预测模型被引量：2: 1; 作者杨雪洁赵姝张燕平《计算机应用研究》 CSCD 北大核心 2008年第10期2920-2921,2931,共3页; 针对传统时间序列预测模型不适应非线性预测而适应非线性预测的BP算法存在收敛速度慢,且容易陷入局部极小等问题,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型(覆盖算法)得出的类别值对统计时间序列模型... 展开更多; 关键词时间序列预测构造性神经网络统计时间序列模型产量预测; 在线阅读下载PDF 职称材料

基于构造性神经网络与全局密度信息的不平衡数据欠采样方法被引量：3: 2; 作者严远亭马迎澳 +1 位作者任艳平张燕平《计算机科学》 CSCD 北大核心 2023年第10期48-58,共11页; 多数类欠采样是当前数据层面解决不平衡数据学习的主流技术之一,近年来,研究者们提出了一系列的欠采样方法,但大多都将重点放在如何选择代表性的样本,从而降低信息损失。然而,如何在欠采样过程中保持多数类内部的结构信息,仍然是欠采样... 展开更多; 关键词欠采样不平衡数据分布密度构造性神经网络集成学习; 在线阅读下载PDF 职称材料

基于构造性形态学神经网络的一种提升算法被引量：1: 3; 作者邓文豪金炜东吴旭东《计算机工程与应用》 CSCD 北大核心 2015年第18期140-143,198,共5页; 构造性形态学神经网络算法(CMNN)是一种数学形态学与传统的神经网络模型相结合的一种非线性神经网络,有较强的实用性。其训练算法根据形态学联想记忆而来,在测试过程中采用形态学算子将测试样本归类于训练得到的超盒之中。由于其测试过... 展开更多; 关键词构造性形态学神经网络提升算法分类; 在线阅读下载PDF 职称材料

增量构造负相关异构神经网络集成的方法被引量：4: 4; 作者傅向华冯博琴 +1 位作者马兆丰何明《西安交通大学学报》 EI CAS CSCD 北大核心 2004年第8期796-799,共4页; 基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方... 展开更多; 关键词神经网络集成负相关学习构造性神经网络增量构造; 在线阅读下载PDF 职称材料

动态数据挖掘的构造性学习方法综述被引量：5: 5; 作者王伦文冯彦卿张铃《小型微型计算机系统》 CSCD 北大核心 2016年第9期1953-1958,共6页; 大数据时代,各种传感器获取的数据量激增,由于存储空间的限制和实时处理的需求,动态数据挖掘技术取得快速发展.本文在介绍了动态数据的特点、挖掘技术和难点的基础上,分析了当前动态数据挖掘的研究与应用现状.结合构造性神经网络运算复... 展开更多; 关键词动态数据数据挖掘构造性神经网络; 在线阅读下载PDF 职称材料

题名基于构造性神经网络的时间序列混合预测模型被引量：2: 1; 作者杨雪洁赵姝张燕平; 机构安徽大学计算智能与信号处理教育部重点实验室; 出处《计算机应用研究》 CSCD 北大核心 2008年第10期2920-2921,2931,共3页; 基金国家自然科学基金资助项目(60475107 60675031) +3 种基金安徽大学"211"工程学术创新团队资助项目; 文摘针对传统时间序列预测模型不适应非线性预测而适应非线性预测的BP算法存在收敛速度慢,且容易陷入局部极小等问题,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型(覆盖算法)得出的类别值对统计时间序列模型的预测值进行修正,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型,涵盖了实际问题的线性和非线性两方面,提高了预测精度。将该模型应用到粮食产量的预测中,取得了较好的预测效果。; 关键词时间序列预测构造性神经网络统计时间序列模型产量预测; Keywords time-series prediction constructive neural networks statistical times-series models yield forecast; 分类号 TP30 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于构造性神经网络与全局密度信息的不平衡数据欠采样方法被引量：3: 2; 作者严远亭马迎澳任艳平张燕平; 机构安徽大学计算机科学与技术学院; 出处《计算机科学》 CSCD 北大核心 2023年第10期48-58,共11页; 基金国家自然科学基金(61806002)。; 文摘多数类欠采样是当前数据层面解决不平衡数据学习的主流技术之一,近年来,研究者们提出了一系列的欠采样方法,但大多都将重点放在如何选择代表性的样本,从而降低信息损失。然而,如何在欠采样过程中保持多数类内部的结构信息,仍然是欠采样面临的主要挑战。针对该挑战,提出了一种基于构造性神经网络和全局分布密度的不平衡数据集欠采样方法。该方法首先基于构造性神经网络,设计了一种多数类局部模式的学习方法;然后基于多数类局部模式,设计了两种具有结构保持特性的样本选择策略;最后针对局部模式学习的随机性可能导致的采样结果非优的问题,进一步引入了bagging集成策略,提升了方法的性能。在59个数据集上与13种对比方法进行了对比实验,验证了所提方法在G-mean,AUC和F1-score这3个常用指标上的有效性。; 关键词欠采样不平衡数据分布密度构造性神经网络集成学习; Keywords Undersampling Imbalanced data Distribution density Constructive neural network Ensemble learning; 分类号 TP311 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名基于构造性形态学神经网络的一种提升算法被引量：1: 3; 作者邓文豪金炜东吴旭东; 机构西南交通大学电气工程学院; 出处《计算机工程与应用》 CSCD 北大核心 2015年第18期140-143,198,共5页; 基金国家自然科学基金重点项目(No.61134002); 文摘构造性形态学神经网络算法(CMNN)是一种数学形态学与传统的神经网络模型相结合的一种非线性神经网络,有较强的实用性。其训练算法根据形态学联想记忆而来,在测试过程中采用形态学算子将测试样本归类于训练得到的超盒之中。由于其测试过程无法正确地将落在超盒外的样本进行分类,后有人提出了一种基于模糊格的形态学神经网络(FL-CMNN),该算法用样本与超盒的隶属度判断提高了原CMNN算法的分类效果,但增加了算法的复杂程度且分类效果不稳定。这里提出一种基于构造性形态学神经网络算法的提升算法(LCMNN),该算法继承了原有的形态学算子运算速度快的优点且能够将落在超盒之外的样本进行准确地归类。数值实验表明,基于构造性形态学神经网络算法的提升算法(LCMNN)与其他几种算法相比,能够达到最好的分类效果,而且简单易行,计算时间少。; 关键词构造性形态学神经网络提升算法分类; Keywords constructive morphology neural network ascension algorithms classification; 分类号 TN911.72 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名增量构造负相关异构神经网络集成的方法被引量：4: 4; 作者傅向华冯博琴马兆丰何明; 机构西安交通大学电子与信息工程学院; 出处《西安交通大学学报》 EI CAS CSCD 北大核心 2004年第8期796-799,共4页; 基金国家高技术研究发展计划资助项目 (2 0 0 3AA1Z2 61 0 ); 文摘基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.; 关键词神经网络集成负相关学习构造性神经网络增量构造; Keywords Correlation theory Error correction; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名动态数据挖掘的构造性学习方法综述被引量：5: 5; 作者王伦文冯彦卿张铃; 机构电子工程学院安徽大学计算机学院; 出处《小型微型计算机系统》 CSCD 北大核心 2016年第9期1953-1958,共6页; 基金国家自然科学基金项目(61273302)资助; 文摘大数据时代,各种传感器获取的数据量激增,由于存储空间的限制和实时处理的需求,动态数据挖掘技术取得快速发展.本文在介绍了动态数据的特点、挖掘技术和难点的基础上,分析了当前动态数据挖掘的研究与应用现状.结合构造性神经网络运算复杂度低,适合增量学习的特点,分析了构造性学习方法在静态数据挖掘方面的最新进展,论证了构造性学习方法适合于动态数据挖掘的理论依据,并与其他典型学习方法在运算复杂度等各方面性能上进行比较,说明其了优势与不足.介绍了构造性学习方法在动态数据挖掘方面的若干应用,并对下一步的研究进行了展望.可望为读者提供有益借鉴和参考.; 关键词动态数据数据挖掘构造性神经网络; Keywords dynamic data data mining constructive neural networks; 分类号 TN92 [电子电信—通信与信息系统] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于构造性神经网络的时间序列混合预测模型	杨雪洁赵姝张燕平	《计算机应用研究》 CSCD 北大核心	2008	2	在线阅读下载PDF 职称材料
2	基于构造性神经网络与全局密度信息的不平衡数据欠采样方法	严远亭马迎澳任艳平张燕平	《计算机科学》 CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
3	基于构造性形态学神经网络的一种提升算法	邓文豪金炜东吴旭东	《计算机工程与应用》 CSCD 北大核心	2015	1	在线阅读下载PDF 职称材料
4	增量构造负相关异构神经网络集成的方法	傅向华冯博琴马兆丰何明	《西安交通大学学报》 EI CAS CSCD 北大核心	2004	4	在线阅读下载PDF 职称材料
5	动态数据挖掘的构造性学习方法综述	王伦文冯彦卿张铃	《小型微型计算机系统》 CSCD 北大核心	2016	5	在线阅读下载PDF 职称材料