文摘

介绍了并行自组织网络的基本概念和主要特征,分析和预测通过神经网络并行自组织网络及其混合模型。首先,我们训练和描述并行的法律和发展趋势平行自组织网络的自组织网络通过历史数据,然后使用发现法律来预测新数据的性能和比较它与它的真正价值。其次,本文以混沌的预测和应用并行自组织网络为主要研究线和神经网络为主要研究方法。总结和分析的基础上,传统的神经网络,它跳出惯性思维和第一个提出相空间。重建参数和神经网络结构参数统一和优化,然后,将相位空间划分为多个子空间的概念。multi-neural网络方法来跟踪和预测当地的轨道的混沌吸引子与高精度子空间,提高预测的整体性能。在实验期间,短期和长期预测实验进行混乱的并行自组织网络。结果表明,不仅极大地提高了仿真结果的准确性也真实数据中观察到现实的预测性能也大大提高。当预测并行自组织网络、自组织的不同模型的最小误差为0.3691,最小误差的自组织自回归神经网络是0.008,和神经网络误差最小是0.0081。在并行自组织网络体育赛事成绩预测,上述模型的误差是0.0174,0.0081,0.0135,和0.0381,分别。

1。介绍

神经网络技术的成熟应用和互联网的快速发展,数据预测的研究出现了。数据预测经常面临一些嘈杂、混乱和非线性数据。神经网络具有良好的鲁棒性,1]。本文简要介绍了主要聚类算法在数据预测中,进行深入研究,优化了SOM学习算法,提高了网络在一定程度上迭代。扩张的速度训练层自组织映射网络(GHSOM)进行了研究,引入灰色关联分析GHSOM网络和GRAGHSOM算法。GRAGHSOM算法实验结果表明,反映了每个组件的重要性的样本向量模型在高维数据聚类的过程中,可以更准确地执行聚类(2- - - - - -5]。

因为单个神经网络的拟合非线性动态系统通常是计算密集型,收敛慢,浪费时间,和穷人在泛化能力,模块化神经网络混沌并行自组织网络提出了预测方法。也就是相空间重建后的混乱的并行自组织网络分为多个子空间,和一个子网的策略是采用不平衡。使用具有不同结构的神经网络在每个子空间来计算和跟踪当地吸引子轨迹,最后预测结果传递到集成模块输出(6]。这种方法不仅利用神经网络的自组织和自学习的特点,也大大改善了其计算性能与一个单一的神经网络。它可以更准确地跟踪吸引子轨迹的子空间,从而提高整体预测。聚类是指数据库中的对象分组成有意义的子集,这样一个类的成员尽可能相似,和不同的成员在不同的类尽可能大。集群具有无监督学习功能,广泛应用于许多领域7- - - - - -10]。

本文首先综述了常用的BP神经网络和自组织神经网络的神经网络模型。然后指的是文章中,一个新的自组织差异理论模型的基础上,建立了自组织,和更好的神经网络结构是通过比较发现的。一个更好的模式被发现通过比较不同的类的数量和隐藏层的预测误差。参考文章结合了自组织神经网络与自回归模型,提高了重初始化和神经网络的学习速率,用更少的错误和找到一个模型通过比较不同类别的数量。本文选择BP神经网络作为比较模型对新模型的效果进行评估。single-even网络和multi-even网络预报模型的预报系统进行了研究。使用Matlab 6.5编程训练突破基于非线性神经网络预测系统,使用简单,实用,易于编程Visual c++软件界面设计,基于非线性神经网络和可视化预测系统。实验证明,使用突破基于非线性神经网络预测系统突破预测可以提高预测精度。

2。相关工作

因此,近年来,混沌预测方法的基于神经网络并行自组织网络取得了初步的理论和应用研究成果。然而,一方面,目前的研究大多集中在优化网络结构本身和两个独立的改善流程相空间重构参数的选择,而不考虑两个作为一个整体。重建阶段伞分为子空间为了吸引子的轨迹跟踪精度较高。

激流et al。11)认为,系统可重构的相空间并行的自组织网络的一个变量,和整个动态系统的所有信息都包含在混乱的并行自组织网络本身。Grossberg[嵌入定理12)进一步证明这个想法和预测混沌时间序列提供了一个理论依据。然而,如何构建预测模型根据相位重建理论,选择重建相空间参数,并预测模型参数的预测是一个关键问题混乱并行的自组织网络。出于这个原因,许多非线性预测方法预测混沌并行的自组织网络。其中,神经网络预测方法具有分布式处理、自组织、自适应。自主学习的优秀特征列和容错可以更好地处理不确定性和非线性预测问题,所以更多的研究和应用取得了混沌预测的并行自组织网络。穆罕默迪et al。13)使用全球神经网络方法预测混沌并行的自组织网络。结果证明当向MLP神经网络作为全球预测方法来预测混乱的并行的自组织网络,效果比大多数当地的预测方法。RBF网络有很强的生物背景,常常被用于预测混沌并行的自组织网络。研究人员正致力于改善隐层节点功能和数量的选择经典RBF网络。

最初的全球混沌预测方法主要用于前馈神经网络并行自组织网络。有许多类型的前馈网络,主要包括多层感知器(MLP)神经网络和径向基函数神经网络非线性神经网络算法)和模糊神经网络(FNN)。一个代表MLP网络是公园14),它使用一个多层前馈网络模拟Lorenz混沌序列,在那里米代表了相空间重建。嵌入维数及其结论说明神经网络的重要作用在混沌时间序列的预测。元,李15)研究并行梯度变化的自组织网络。实验结果表明,经典的RBF网络的预测性能得到了改进(16]。研究人员提出了一个交叉验证子空间方法选择最优数量的隐层节点。该方法用于预测noise-containing混乱并行的自组织网络。仿真对象的混沌序列雷达海洋回声。非线性神经网络是一种新型的基于非线性前馈神经网络理论。非线性神经网络兼容非线性和神经网络的优越性17- - - - - -20.]。

3所示。建设体育赛事比分预测模型基于并行非线性神经网络自组织

3.1。并行自组织结构嵌套

根据不同的对象来研究,并行自组织网络的行为是非常不同的。即使对于同一个对象,在不同的时间会有不同的表现。因此,为了以不同的方式对待不同的时间序列,并行自组织网络可以根据数据的方式选择和分类数据的形式会随着时间而改变。图1显示了嵌套平行自组织架构。

当使用不同的组合加权平均预测并行自组织网络、自组织神经网络第一次使用历史数据和输入数据分为几大类。目标价值是根据公式计算的加权平均来计算不同。当预测新数据的行为,第一次分类根据自组织神经网络训练然后添加相对应的加权平均类数据的最后一个值的新数据,预测新数据对应。

首先,我们必须建立一个自组织神经网络对已知数据进行分类。已知的数据向量的形式存在。每个向量的元素是并行的自组织网络价值观选择并行自组织网络在一定的时间间隔。和所有的向量元素选择以同样的方式。让向量的维数l。网络权值的初始自组织神经网络是随机选择的。的风险价值网络是通过添加主机的风险价值

当所有已知的数据输入到自组织神经网络最优神经元,神经元和最优的权向量和它周围的神经元调整,和自组织神经网络完成一步的训练。然后,数据的自组织神经网络方法为下一步的训练,直到最优神经元对应于每个输入向量的两个训练之前和之后不会改变,和自组织神经网络完成培训。在竞争层神经元的权向量训练后的聚类中心,终于可以分类数据。

神经元接收数据通过在前一层神经元和调整数据根据自己的转换功能。我们执行转换,然后将转换后的数据传递到下一层神经元。最后一部分接收的数据的最后一层隐层神经元和计算最终结果和错误的输入。

3.2。非线性神经网络节点的输出

结构,非线性神经网络的特点如下:(1)分布式存储:也就是说,所有神经元的神经网络共同完成信息处理功能,而且每个神经元都有一个独立的函数来处理数据;(2)并行性:即所有神经元的神经网络的能力来完成信息处理并发;和(3)容错:单个神经元的误差信息处理不会影响整个系统。在能力方面,神经网络可以自发反应外部输入和输出数据,使适当的调整自己的网络参数根据输入和输出样本来适应新的输入样本。输入层中的每个神经元存储元素的输入向量,和所有神经元分配数据值的判别函数在竞争层神经元通过连接与数据根据判别函数,选择最佳的匹配神经元通过比较每个神经元的判别函数的值,和修改网络连接权重参数根据输入数据。连接代表竞争层神经元之间的一段距离。这个重量的分布在一个或两个维度是固定的,不会改变在训练。图2显示节点的分布在一个非线性神经网络。

在网络没有反馈,一旦信号通过一个神经元,神经元的处理过程结束。在一个相互联系的网络,神经元之间的信号必须反复传播,网络是一个动态的不断变化的状态。从一个初始状态开始,经过几次修改,它会达到一定平衡状态。根据网络的结构和神经元的特点,网络的操作也可能进入周期性振荡或其他平衡态如混乱。这种并行自组织网络也可以称为综合指数并行的自组织网络,这是一个统计序列安排时间,数据内容是同一现象或特征值的统计值。绝对平行的自组织网络,这一现象研究的总体水平在一定时期内可以观察到,它还可以反映现象的水平在一个特定的时间点。因此,绝对平行的自组织网络可以进一步分为时间序列和时间点系列根据时间选择方法。的值的变化曲线平行自组织网络也倾向,但趋势是不固定的,大小和方向的变化可能会改变,和值不是周期性的变化。线性并行自组织网络价值变化有一定的倾向;在很长一段时间范围内,并行自组织网络的价值逐渐增加或减少,和一个可以观察到的上升或下降的趋势。

3.3。在体育赛事量化评分预测

正常化人工神经网络体育分数预测需要正确处理的数据来满足特殊要求的人工神经网络数据。根据不同的神经元传递函数,许多人工神经网络模型只接受数字数据在[0,1]和[−1,1]。因此,这个区间的数据必须按比例缩小。标量数值数据通常是均匀分布在一定范围内,可以直接映射到区间[0,1]。如果数值数据的分布是不均匀的,您可以使用分段线性方程或对数方程转换数据,然后按比例减少d,N指定时间间隔。离散数据编码用0和1,代表或指定一个值在指定的连续区间内。数值数据表示为向量或数组有时会处理组;即向量作为一个整体进行正则化处理。有几个正则化方法,最常用的是计算的平方和的平方根的元素,然后它是用来去除每个元素。第二种方法是首先找到的所有要素的总和,它是用来把每个数字。在这种情况下,元素之和正规化后是1.0,和每个元素的值代表了他们的贡献。第三种方法是删除与最大值向量中每个元素。图3显示了体育成绩预测的定量处理事件。

因此,上述所有因素可以被转化为时间因素,和并行自组织网络分析方法可用于时间因素的数学模型,即体育赛事的分数的价值。通过分数的历史价值的体育赛事,可以发现得分的变化随着时间的推移,体育赛事和体育赛事的预测未来发展成绩。另一方面,体育赛事的分数是一个相对开放的数据,相对容易获得,这也为研究提供了便利。体育分数是一个并行的并行自组织网络自组织网络与体育成绩的价值数据元素。体育赛事的成绩可以采取每一小时,每一天,或其他时间并行自组织网络的体育成绩。在竞争中,一个向量作为神经网络的输入。竞争层的每个单元将形成一个判别函数根据自己的网络和计算的重量的判别函数输入向量作为独立变量的值,函数值是最好的。神经元变得最匹配神经元的输入。其他神经元周围的最佳匹配神经元在一定的范围内将参与合作,成为神经元自适应过程中调整。自适应神经元最优拓扑邻域内的神经元必须修改他们自己的网络连接权重根据输入向量的值来实现这些神经元的区别的模式。

3.4。递归预测模型加权因子

数据预处理的数据预测过程中是重要的一步。数据的质量直接影响到矿山的质量效果。数据预处理包括数据清理、数据集成、数据转换和数据减少。数据清理的任务是消除噪音或不一致的数据。数据的不一致将降低数据预测结果的可信度。

主机的风险价值是通过添加相关的漏洞造成的风险值状态节点。数据库建设模块负责处理系统配置信息和漏洞扫描模块获得的信息,提取它们nonquantitative属性和可量化的属性,形成一个信息数据库和漏洞数据库;它还负责分析脆弱性之间的关系。矿业执行漏洞数据库。用于数据预测的数据可能来自多个实际的系统,所以有一个异构数据转换的问题。因为可能会有许多矛盾之间的多个数据源的数据,数据集成不是简单的复制过程。数据转换数据的转换或统一成一种形式适用于采矿、包括数据泛化、正常化、属性结构和平滑。减少数据包括操作,比如数据聚合,属性选择和数据压缩。图4显示了集群的重量因素预测模型。

多层感知器是一个单层感知器的推广形式。多层感知器网络的信息转发一层一层地,和每个单元的底层与上层的每个单元。输入单位设有一层一层地根据输入/输出关系,以及每一层之间的连接权重可以调节学习规则。可以看出,多层感知器实际上是一个设计的多个单层感知器通过适当的组合,可以实现任何形状。在这种方法中,每个离散类被分配一个值从1到N由一个二进制数表示。例如,如果一个变量有32可能值,它可以表示为一个二进制向量长度为5。只要离散值是任意的,没有任何订单,二进制代码是一种更好的表示。然而,当离散值转换为二进制代码,比特值有很大的差异。例如,第七元素离散类的二进制代码是000111,和第八元素的二进制代码是001000。汉明距离是两个二进制数之间的相似性,所表达的不同符号的两个编码的比特数。在这种情况下,7和8之间的汉明距离是4。如果你希望神经网络认为7和8的两种输入模式是相似的,你必须选择温度计的代码。

4所示。应用程序和分析体育赛事比分预测模型基于非线性神经网络并行自组织

4.1。非线性神经网络并行自组织数据预处理

摘要非线性神经网络选择隐层,和每10块数据作为一组输入。在训练阶段,一个矩阵组成的500组十维选择输入向量作为输入矩阵,矩阵组成的目标值对应每组输入向量作为输出矩阵。调整参数,直到误差达到目标值的训练时期,停止训练。在预测阶段,使用新的数据作为输入向量,计算相应的预测目标值根据调整后的BP神经网络,与实际目标性能的评价比较图5。

测量平行的网络,我们计算pseudo-neighbors从最小嵌入维数的比率。当嵌入维数的比值m pseudo-neighbors小于5%,pseudo-neighbors不再随着嵌入维数增加。当它降低时,它可以被认为是奇异吸引子是完全展开,和米这个时候是最小嵌入维数。一般来说,当相空间点的分布相对稀疏,最好使用pseudo-neighbor点方法,因为这个方法可以自动调整规模与稀疏的距离变化的相空间点,以便统计结果更可靠。当相空间点分布密集,更合理的使用饱和关联维数的方法。

量化的风险价值状态节点,需要计算攻击者能够成功攻击的概率达到每个状态节点。可以看出PCA-GABP预测模型的平均相对误差最小。数量少于3%是39岁,比数量大2的绝对值GABP模型的相对误差小于3%。在文章中的数据的比较和分析,可以得出结论,利用主成分分析法(PCA)模型的输入数据处理比未加工模型具有更高的预测精度;同时,无论输入数据已经由PCA处理,BP神经网络提高了GA预测精度更高。

4.2。仿真的实现为体育赛事比分预测模型

也以体育赛事的因素为例,GA神经网络非线性48输入;即有48个神经元网络的输入层,和输出也是48;也就是说,有48输出层的神经元网络。使用浮点编码方案,每个连接体重或直接由一个实数表示阈值,和每个个体都包含一个网络所有权值和阈值。一个网络的重量是由两部分组成的。

最后,相关的漏洞造成的资产损失价值乘以主机节点的资产价值量化风险。本文48个输入神经元和48个输出神经元。假设有36个隐藏层,加上隐藏层和输出层的阈值,每个单独的代码长度48×36 + 36×48 + 36 + 48 = 3540。我们将文章中的训练样本输入预测模型,并经过多次调试,最终确定有36个隐层节点。GABP神经网络模型的模拟结果中描述的文本。图6显示了体育赛事的比分预测培训情况。

如果总输入神经元的远离阈值,实际神经元的输出最大值或一个较小的值由于神经元的饱和非线性特性。当神经元的总输入太远远高于阈值,据说进入饱和区。当总输入进入饱和区和实际输出与目标输出,这是不正确的饱和,也就是说,假饱和。在这个时候,需要大量的修改重量,但事实上,因为导数值接近于零。衍生品的修改量的重量非常小。这同样适用于隐层神经元,但误差计算的误差反向传播。一旦学习进入假饱和状态,它将需要很长时间才能摆脱这种状态,甚至无法找到全局最优。表1是隐层神经元的描述培训。

pseudo-neighbor方法,计算的最小嵌入维数米是9,DRNN模型,递归的延迟是1,和相同的21×9×1非线性神经网络构造。第一个2000分3000分作为训练数据,最后1000分被用作预测数据。由于预测曲线比较接近实际的曲线,从图很难区别,所以只有绝对的错误P(1)DRNN神经网络模型和非线性预测。

当网络管理员发现未知的漏洞,他们需要集成的漏洞信息和通过电子邮件提交到国家信息安全漏洞。在训练阶段,使用网络层输入数据分成几个类别和计算加权平均差异对应于每个类别的数据。在预测阶段,经过训练的神经网络用于每组输入数据划分为一定的分类区域,然后,计算加权平均的预测是基于不同。本文列出了自组织的结果不同加权平均法预测的结果平行自组织网络体育赛事的分数,也就是说,当历史数据分类的数量是不同的。

4.3。示例应用程序和分析

在实验中,我们设置输出y(t+ 1),然后输入x(t−4)。网络有5个节点,每个神经元之间的时间间隔是1。在实验中,2500年的数据生成每个混乱并行基准的自组织网络,其中整个分为三个部分:训练数据,验证数据和测试数据。的比率的数据量的三个部分是14:6:5,即1400训练数据,验证数据,600和500年的预测数据。可以看出,隐层节点应该是输入层的两倍,也就是说,10个节点。

然后,员工的弱点进行分析,只有在几个工作日可以等信息的类别和风险价值漏洞,在官方公布漏洞平台。输出层神经元只有一个,那就是,股票收盘指数的预测价值。递归神经网络的结构是51。摘要DRNN模型大大提高了相对于非线性神经网络模型,它可以看到真正的指数曲线的拟合程度也比非线性神经网络模型的拟合程度。可以看出,误差之间的递归模型在本文中集中(−20、20),误差值很小,误差之间的非线性神经网络模型(−80,40)、错误值很大,和一些点大大偏离真实价值,这是由前馈网络的高度。图7显示了体育赛事比分预测网络的输出效果。

这不仅会导致一个巨大的漏洞管理人员的工作量,但是,更重要的是,网络管理员将无法获得及时信息未知的漏洞。因为这些特征变量可能有很高的相关性,这些特性是冗余功能。结果表明,尽管总体检出率很高,U2R类几乎检测不到,R2L检出率相对较低。毫无疑问,这是因为样品的数量太小,这使得它很难建立一个分类器对这些攻击类。错误检测率高,这两种类型大多是正常检测类型,在IDS中是绝对不允许的。为了避免这种情况,执行重复数据删除之前的训练。为了提高分类器的性能没有很大改变的样本数据集,本文增加了U2R样本的数量数据集,以确保基本的分类性能。系统结构采用客户机/服务器结构。服务器负责扫描主机和设备在网络获取配置信息和网络中所有主机的脆弱性信息;客户端负责整理扫描结果形成各种数据库。 On this basis, certain mathematical methods are used to measure the overall risk assessment value of the network and determine the risk level. Therefore, in addition to filtering irrelevant features, the optimal feature subset must also filter redundant features. Figure8显示了体育赛事比分预测网络的收敛。

有N个人个人形成了初始种群。人口数量的价值N将会影响整个算法的效率。如果该值的N太大,计算量将增加,运行速度太慢。如果该值的N太小了,虽然可以提高操作速度,减少人口的多样性在一定程度上,这可能会导致过早收敛,也就是说,过早的成熟。根据经验,的价值N通常是介于10到200之间。

特征选择方法会影响机器学习性能,模型复杂度和运行速度模型。一个比较流行的特征选择方法是选择n与分类变量高度相关的变量。因此,只有前六个主成分需要提取条件下,原始数据的损失不是太多的信息,从而达到主成分提取的目的。可以看出,相对误差较大的点预测显著降低,低于0.5%的最大相对误差非线性神经网络,在48个相对误差的绝对值,4点的误差超过5%,4点是4%至5%,3点在3%和4%之间,和8点在2%和2%之间,和改进的BP神经网络实现了更好的预测结果。

5。结论

通过审查相关资料和文献,我们概述数据预测和神经网络相关研究。人工神经网络的数据预测、数据转换、数据表示和数据预处理进行了研究。我们做了一个更深入的研究使用人工神经网络聚类方法,基于SOM聚类算法的深入研究,优化SOM学习算法,然后研究了层扩张自组织映射网络(GHSOM),并提出了GRAGHSOM算法,介绍了灰色关联分析。区域竞争力是一个典型的非线性复杂巨系统,传统的线性方法是难以获得令人满意的预测结果。同时,实验证明,该模型在模式识别有很大的优势。非线性的隐层量子神经元模型使用的线性叠加非线性基函数作为激活函数。同时,本文给出了非线性神经网络的学习算法。然而,在特征选择,结合高度相关的变量和分类变量不一定提高分类器的性能。神经网络方法可以处理系统,难以用数学模型描述。强大的并行处理、自适应、自组织和任意逼近非线性。 The experimental results show that the GRAGHSOM algorithm reflects the importance of each component of the sample vector in the model in the process of high-dimensional data clustering and can perform clustering more accurately; for the application of local sports score prediction (LWF) in training, we studied the perceptron neural network and successfully applied the perceptron neural network to the local sports event score prediction system.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有在本文中潜在的利益冲突。

确认

这项工作是由西安财经大学支持。