针对传统数据处理组合方法(Group method of data handling,GMDH)网络建模用最小二乘法辨识参数会导致模型预测效果不理想的问题,将模糊推理模型引入GMDH网络,以取代传统GMDH网络的部分描述(即完全二元二次多项式),提出了一种基于模糊G...针对传统数据处理组合方法(Group method of data handling,GMDH)网络建模用最小二乘法辨识参数会导致模型预测效果不理想的问题,将模糊推理模型引入GMDH网络,以取代传统GMDH网络的部分描述(即完全二元二次多项式),提出了一种基于模糊GMDH网络的交通流量预测模型。计算机仿真结果表明,该模型预测平均相对误差仅为2.31%,小于传统GMDH网络模型预测平均相对误差3.35%,说明了该模型是有效的。展开更多
针对目标属性识别的特点,建立了基于粗糙集(Rough Sets,RS)的数据分组处理(GroupMethod of Data Handling,GMDH)神经网络分类模型。该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题。同时为了提高高维...针对目标属性识别的特点,建立了基于粗糙集(Rough Sets,RS)的数据分组处理(GroupMethod of Data Handling,GMDH)神经网络分类模型。该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题。同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法。最后,通过与BP(Back-Propagation,BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效。展开更多
文摘针对传统数据处理组合方法(Group method of data handling,GMDH)网络建模用最小二乘法辨识参数会导致模型预测效果不理想的问题,将模糊推理模型引入GMDH网络,以取代传统GMDH网络的部分描述(即完全二元二次多项式),提出了一种基于模糊GMDH网络的交通流量预测模型。计算机仿真结果表明,该模型预测平均相对误差仅为2.31%,小于传统GMDH网络模型预测平均相对误差3.35%,说明了该模型是有效的。
文摘针对目标属性识别的特点,建立了基于粗糙集(Rough Sets,RS)的数据分组处理(GroupMethod of Data Handling,GMDH)神经网络分类模型。该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题。同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法。最后,通过与BP(Back-Propagation,BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效。
