PDF
研究文章|开放获取
陈停业,大鹏被晒黑, ”SA-ANN-Based建模方法,人类认知机制和PSACO认知算法”,复杂性, 卷。2018年, 文章的ID6264124, 21 页面, 2018年。 https://doi.org/10.1155/2018/6264124
SA-ANN-Based建模方法,人类认知机制和PSACO认知算法
文摘
人工神经网络(ann)是人类认知过程研究的重要方法。然而,目前ANNs-based认知方法不能解决复杂问题的信息理解和容错的学习。在这里,我们提出一个建模方法基于模拟annealing-artificial神经网络的认知机制(SA-ANN)。首先,SA处理过程和认知知识进化之间的关系进行了分析,以及SA-ANN-based推理模型。然后,基于推理模型,与组合优化鲍威尔SA (PSACO)算法来提高聚类效率对认知过程和识别精度。最后,三组数值实例集群提供知识,和三个比较认知实验是由自主研发的软件。模拟结果表明,该方法可以提高收敛速度超过20%,误差反向传播(BP),与之相比,基于SA和限制玻耳兹曼机极端学习机(RBM-ELM)算法。比较认知实验证明该方法可以获得更好的性能信息的理解和容错学习和认知精度原始样本,损坏样品,和改变了样品可以达到99.6%,99.2%,和97.1%,分别。
1。介绍
人类认知加工过程是一个信息的获取和理解知识的思想,经验和感觉。纽威尔和西蒙发现有一些相似之处的功能结构和处理人类和计算机之间的过程。他们是特别的系统组成的系统的模块的输入、输出、处理、存储,处理输入信息和执行任务的特征提取和模式识别不同的物体(1]。因此,信息处理的本质理论作为计算机系统认知模型,揭示了内在的认知过程和数字信息处理之间的关系。
相关研究工作(2- - - - - -5]表明,人类和计算机信息处理系统组成的操纵符号等概念模式语言的统称,标签或标志。函数的符号来表示,符号,或表明外部世界的实体。传统的人类认知模型是基于定性分析或经验规则,然而,提供精确的数字表示过程的认知是很困难的。因此,有必要将先进的信息技术引入到人类识别区域,提出一种认知机制建模方法。
人工神经网络(ann),联结主义的一种形式,是由生物神经网络计算系统启发的构成动物或人类的大脑。他们可以为实体执行抽象模拟神经元网络,与容错的功能,效率,和自适应性,和有更好的认知功能,如学习和记忆。由于信息处理机制网络是类似于人类的认知过程,人工神经网络可以提供合适的方法数值模拟人类认知的(6- - - - - -9]。此外,人工神经网络可以使用不仅验证相关的实验结果,研究感知、联想学习、记忆和其他认知问题。骚乱等人开发了一个混合结构递归神经网络(HS-RNN)来研究人类语言处理的语义结构被HS-RNN语法符号和分类。实验结果表明,该方法可以有效地处理非限制性的文本(10]。Vokey和海厄姆的过程进行了模拟研究人工语法学习通过使用安和争议的结论Tunney等人基于两个模拟实验的数值结果11- - - - - -13]。采用一个ANN分类下背痛(LBP)的特点,Hallner Hasenbring介绍安心理风险因素作为输入神经元和使用误差反向传播(BP)算法训练网络的订单值。结果表明,枸杞多糖分类的准确率可以达到83%以上(14]。卡普兰等人提出了一个混合的ANN模型,采用汉明网络生成问题的假设,Hopfield网络用来实现联想记忆和计算优化,并完成了一个数值研究威斯康辛卡片分类测验(WCST)的性能得分palinphrasia和注意力分散15]。Helie等人使用无监督贝叶斯网络来模拟环境倾向于知识的学习。实验结果表明,很难研究通过使用环境倾向于学习者的激烈竞争,在激烈的竞争和周期性的联想记忆更重要(16]。莱文提出了一个神经网络建模方法对情感计算和系统地讨论了情感和认知的神经机制(17]。Chartier等人介绍了非线性动力系统为研究非线性人工神经网络ann和提出所谓(NDANNs),它可以弥补传统人工神经网络对非线性推理的缺陷。数值结果表明,NDANNs可以有效地揭示多值的内部监管机构,位于,有限的区域对象和非周期或混沌行为(18]。Tsagkaris等人提出了一种神经网络学习计划对认知无线电系统探讨无线电通信系统的预测和智能管理(19]。Schmidt-Atzert等人从两个不同的统计预测方法相比,人工神经网络和多元回归分析,得出的结论是,应该使用人工神经网络只在不同人群选择算法如果他们的有效性已被证实(20.]。Alexandridis和丸用实证案例研究演示从数据中提取语言概念的过程和培训Hopfield安为语义网络分类(21]。Grossi等人提出了一种新的数据挖掘工具基于ANN作用于小数据集由问卷项目应用连续。这项技术有前途的远程监控病人的心理状况在不同的设置,提供实施个性化的心理干预的可能性22]。Neftci等人证明了随机事件驱动的BP (eRBP)规则,使用一个error-modulated突触可塑性的学习深度表示神经形态计算硬件(23]。Oyedotun和Khashman提出了一个基于修改的情感的神经网络算法神经网络(EmNN)模型统一的原型和自适应学习理论,它可以应用到两个真实的有挑战性的任务:静态手势识别和人脸识别24]。
从上面的引用,我们可以得出这样的结论:人工神经网络及其品种的面积算法已广泛应用于人类认知机制,与适当的结果。然而,这样的研究通常集中在解决特定问题相关的心理认知和不涉及系统固有的认知过程和规律的研究。此外,上述方法的认知精度依赖于大量的输入数据样本和容易受到高非线性的数据样本。
虽然三层,NDANNs HS-RNN, Hopfield神经网络可以支持非线性数据映射,理解信息的能力,也就是说,复杂的知识推理,需要改进。此外,由于随机性、转换或损坏的输入数据,容错学习很难执行上述方法,聚类效率和认知准确性需要改进。
模拟退火(SA)方法(25- - - - - -27)可以接受玻耳兹曼分布律的容错解决方案和支持jump-style寻找知识学习过程,这是接近人类认知的知识进化规则。因此,本文介绍了SA方法为人类认知领域,提出了一种SA-ANN-based建模方法对人类认知机制。关于上述研究目标,相应的研究工作描述如下。根据信息加工理论,人类认知的基本特征进行了分析,和SA-ANN-based推理模型建立。基于推理模型中,鲍威尔SA与组合优化算法(PSACO)定义和模拟人类认知的关键因素,如特征提取、聚类知识,重建模式模板和模式识别。与非线性数值实例提供了样本数据,和一个演示软件系统开发验证仿真的结论。
作为其主要的科学贡献,本文介绍了SA-ANN方法进人类认知领域,提出了一个数学途径获得准确的认知过程的数字表示。这项研究不仅提供了直接的建议研究在复杂系统建模、推理分析,优化认知心理学,但也提供了一个通用的参考研究领域的动态模式识别、非线性信号处理和监视对象的不确定性。
本文组织如下。节2、人工神经网络之间的关系和人类认知,SA-ANN-based建模方法提出了人类认知,和有关动态模式识别理论进行了探讨。节3人类认知的三层实例,和PSACO算法。节4,数值实例执行和认知过程的聚类结果进行了讨论。节5、认知软件开发和实验结果进行了讨论。节6,并给出了结论。
2。人类认知SA-ANN-Based方法建模
2.1。SA-ANN-Based认知机理模型
正如上面提到的,人工神经网络的功能改善学习、联想记忆,和并行处理,因此广泛应用于自动控制领域(28- - - - - -30.),信号处理(31日- - - - - -33)和模式识别34- - - - - -36]。人工神经元网络连接权重和阈值和自适应计算用于预处理外部输入信息通过人工神经网络的非线性映射能力,直到输出满足预期的值。此外,一个安可以使用一个或多个组的标准样本数据获取相应的标准输出数据和分析输入和输出之间的关系。这些关系可以视为输入实时数据的标准,和上面的处理过程是一个典型的机器学习的过程。网络存储的知识从数据样本权重和阈值的形式构建一个内存数据库为了方便判断和识别(37]。通常,安的输入包括提取的特性或特征序列,和输出目标对象的特征数据。
考虑到上面的人工神经网络的特点,我们可以确定以下信息处理之间的相似之处一个安和人类认知的过程:学习或聚类的输入信息是有限的,只能接受和外部信息的提取某些信息获取功能或签名序列。记忆根植于持续学习决定了输入信息的判断和识别,所以学习是信息处理的重要组成部分。行政方法的学习和识别关联思考或非线性识别,包括自适应性能。学习和识别可以并行工作,所以他们有实时的特点。提取特征信息预处理的数据并不一定有效,和最终的识别结果只取决于局部特征数据。因此,所谓的有效信息处理系统是敏感特性。因此,能够获得有效的功能是一个重要的前提,影响信息处理系统的有效性。
SA是一种启发式随机搜索方法,具有特殊的搜索策略,与传统的随机搜索算法。它不仅涉及到足够的随机因素,而且还集成了与自然物理退火过程的机制。SA的迭代过程中,更好的解决方案,也就是说,搜索数据元素与小错误,可以接受的目标函数,有更高的错误和糟糕的解决方案也接受了跳出局部最优解的陷阱,根据玻耳兹曼分布定律(26]。此外,公司可以提供jump-style寻找知识学习过程,这是接近人类认知的知识进化规则。
认知过程,找到一个近似全局最优比找到一个精确的局部最优更重要在一个固定的时间(38),所以股价可能倾向于选择如人工神经网络与梯度下降算法。因为SA的搜索策略是倾向于避免陷入局部最优解,如果它是用于训练神经网络,它可能使搜索算法跳出局部最优,提高搜索全球最佳稳定性。
指的是上面的内容,我们可以发现SA容错处理的能力,可以获得全局最优解。因此,本文介绍了SA在人类认知领域,结合信息处理理论和人工神经网络,并建立一个推理模型的认知机制,如图1。模型分为三个逻辑层:环境层、感知层和功能extraction-recognition层。环境层指的是实体的客观环境,需要确定或确认。感知层包含一个感官知觉模块(SPM)和一个模块(SEM)感官效果,获得信息从环境层。人类通过视觉的方法获得外部信息,听觉,触觉,等等。计算机系统的外部信息收集包括输入设备、传感器、数据采集子系统。功能extraction-recognition层包括特征提取模块(CEM),知识学习和识别模块(KSRM),和一个输出处理模块(OPM)。他们推理的核心组件模型和执行任务的信息提取,基于SA-ANN知识学习和模式识别。
指的是在图模型1,我们可以进行以下功能模块的数据依赖关系。首先,SPM从环境获得信息层,转移到杰姆进行初步处理,提取的特征向量KSRM签名序列作为输入数据。然后,KSRM接收特征向量作为SA计划和执行非线性分布计算生成SA的结果。随后,OPM进行目标状态标识,并获得预期的状态空间的状态数据。最后,最终的处理结果显示或扫描电镜所描述的。
杰姆是一个巨大的算法,每一种都对应于一个信息采集算法。当处理一个特定的对象,可能会选择一个或多个算法提取特征数据。显然,最初的选择算法不一定是最优或有效。例如,一些可能不会轻易的愿景,但可能相对容易确定音频。关于这事,所选算法需要优化或替换,这意味着方法必须调整或转化为解决这一问题,直到预期结果相匹配。作为一个信息处理系统的核心组件,KSRM需要维护并行处理能力的知识学习和模式识别。
2.2。模式识别在SA-ANN认知框架
在SA-ANN-based认知机制的假设模型中,人类认知可以被看作是一个数据驱动的动态模式识别问题,本质上是受到外部输入信息,认知的过程是动态的从特征信息映射到系统状态模式(39- - - - - -41]。共性,人类认知模式识别和识别目标对象的特征和学习基于标准的目标状态或识别的模板。如果效果满足预期的设计要求,识别系统将实现实时判断或在线识别目标对象。
人类环境的不断变化,接收到的信息是不确定的。因此,人类认知是典型的动态模式识别。动态模式识别可以定义如下:给定一个时间点 ,确定目标模式通过输入模式 。输入模式所描述的一个观察实例签名的目标对象在时间序列 ,它被定义为 , ,在这是一个维向量空间签名序列的数量。表示对象的目标状态需要确认时间 ,所有这一切构成一个目标状态空间模式 ,是目标模式的数量(42- - - - - -45]。如果假设获得观测序列 由一个特定的时间 ,这件事关于心理认知所涉及的信息处理问题的识别输入序列的映射目标状态空间:
模式识别过程中,通过使用观察序列 ,的条件概率在每个州都必须计算。因此,揭示了映射来等于确定一种最优模式状态可以获得最大的条件概率(46- - - - - -48]。上述过程中,必须解决两个问题:观察值序列从收集到的物理信号的所有特征信息可以满足状态识别的基本要求,必须确定;最优模式状态 ,也就是说,每一个目标状态的地面实况,必须获得作为基准或阈值的在线目标状态识别。
关于上面的操作,目标对象的信息预处理和特征提取是重要的和必不可少的步骤,这是有关系统识别结果的有效性和合理性。提取的特征参数可以构造一个特征向量 ,和特征参数的数量特征向量的维数。对于一个特定的目标对象,我们构造一个数据集,其中包含特征向量,相关环境,现有的条件和交易范围定义一个向量目标对象。如果该值的大,矢量范围更广泛,特征提取的计算负载会更高。在一定的条件下 ,特征提取的目的是实现信息的报道模式或目标对象的状态。信息覆盖的范围或程度上可以被定义为覆盖率特征向量的目标对象。例如,通过使用简单的概要文件特性,可以认识到生活必需品,人们联系的两倍多,和其他特性识别准确率高达100%。因此,我们相信这些概要文件特性接近100%。
人类信息处理,识别不同的人可以通过使用特征向量 、形状、 。显然,头部、形状和声音相对粗糙或高级特性,向量元素的地方头可分为细或低级特性,包括口腔、眼睛、耳朵、鼻子、额头,和头发。同样,其他两个元素也可以完善。因此,如果一个元素的特征向量是在更高的层面上,它可以提炼成一个低级别向量。以上的处理方法是定义为这个向量元素的优化操作,并表示 在哪里精致的向量元素和吗是细化后新的向量的维数。因此,特征向量的手术进行了嵌套结构;向量应该有更多的维度,和精制向量维数 考虑到操作,当一个高级的不同数据元素向量必须与同一维度,精制的缺陷尺寸不容易改进的数据元素可以满足的零。显然,操作使得矢量有更大量的信息可以通过信息熵值,和覆盖率增加,因此特定目标对象的识别精度得到改善。当然,如果细分维度达到一个阈值,其接近100%,是吗应该停止操作节省计算资源。例如,高级向量元素头可以精炼为低级向量 、眼睛、耳朵、鼻子、额头,减少搜索范围的识别过程和提高识别效率。
然而,即使一个特征向量是雅致,它不能区分不同的目标对象有效和向量维度应该执行添加操作,产生以下表达式: 在哪里特征向量维度后附加和吗是追加的数量维度。很明显,特征向量操作也有更多的维度和维度的数量 。
例如,对目标对象的识别与高相似之处,比如同卵双胞胎,因为大部分的详细特征非常接近,很难实现有效识别使用操作原始矢量元素和大量的维度。为了解决这个问题,应该处理的向量操作和转换成一个新的向量,保证识别精度。
许多对象可以共享相同或相似的特征;例如,水生哺乳动物有许多相同的功能作为鱼,但是他们不是鱼。因此,识别需求得到满足时,特征向量应该是有效的在一个特殊的范围,可以定义的多功能性特征向量。显然,多才多艺是一个最重要的指标来评估特征提取的质量。因此,特征提取的最终目标是获得特征向量最小数量的维度,可以满足实用信息的覆盖率为目标对象,并具有通用性。
3所示。ANNs-Based认知计算和PSACO算法
3.1。BP-ANN-Based学习/识别
人工神经网络的实际应用,大多数执行模型采用BP网络和它的各种算法。BP网络是一个nonfeedback系统包括输入层、隐层(≥1)和输出层。输入层、隐藏层和输出层连接的模式,和神经神经元的数量在每一层都可能是不同的。神经神经元的连接权值可以通过误差之间的BP算法训练输入层和隐层之间以及隐层和输出层和三层之间的阈值也可以以这种方式被改变(49]。BP网络通常使用最陡下降梯度法(SDGM)修改权值和阈值50]。
BP网络实现输入到输出的映射,使用一个误差函数最小化的过程。误差函数,即所谓的成本函数,通常的误差平方和定义为期望输出和实际输出的输出层神经元: 在哪里样品的数量,是所需的网络输出和是网络的实际输出51]。
BP网络的学习过程是通过训练实现给定的数据集,它可以解决大量的模式映射没有任何已知的数学知识来描述输入和输出之间的映射。因此,输入模式映射到所需的输出模式,与已知的模式训练网络,该网络将展览识别能力。学习是一个过程中,人类不断获取外部信息,构造一个内存数据库,和有能力识别类似的信息。因此,可以推断,伟大的相似性存在于神经网络和人类之间的学习过程,在部分和结论是一致的2。
使用三层识别一个特定的目标实体,我们应该定义特性数据,构建了BP网络的输入目标对象的信息。为表示节2,所有的信息元素的目标对象是部分有效。因此,他们必须转换成预处理静态或动态参数作为BP网络的输入,它们所代表的象征 。因此,符号 代表了遍历目标对象的状态信息。
根据上述假设,人类认知BP-ANN-based算法描述如下。
的功能(网络输入)和数据元素预期模式(网络输出)标准化,允许他们和承认的计算机进行处理。
根据目标对象的基本特征,选择适当的操作功能。考虑到连续性、可扩展性和关联的心理认知,我们可以选择乙状结肠函数(52,53]。
在实证数据集,选择权重和阈值的初始值,和神经网络初始化。
目标对象的特征数据输入的输入层神经元,权重的过渡行为后,阈值和动作功能,网络输出。
广场和错误,当前输出和预期的输出之间的差异,计算。如果小于误差阈值 ,则算法结束;否则,继续下一步。
从输出层连接权值的隐藏层和输出层神经元的阈值被修改。
连接权值从输入层到隐层和隐层神经元的阈值更新。
算法得出的最大数量的培训程序?如果是这样,迭代结束;否则,它将返回到步骤 。
3.2。PSACO算法
BP算法的优点是简单性和可用性,但它是容易陷入局部最优解,特别是对于高复杂性的对象或不确定性。自鲍威尔算法具有高效的局部搜索能力,它是采用优化ANN-based SA迭代局部搜索过程的认知,和一种混合处理算法,所谓的鲍威尔与组合优化(PSACO)算法,模拟退火算法。因此,PSACO算法具有较强的全局和局部搜索能力,和安的实时性能和识别精度得到改善。PSACO算法的过程如图所示2描述,步骤如下。
根据原始SA计划,安的所有节点权重构造一个数据集。
矢量数据集被认为是一个解决方案,和目标函数 最小的目标函数最优解,样品数量,是输出层神经元个数,预期的输出样品在层神经元,实际的输出样品在层神经元。
基于目标函数,一群初始化网络权重随机产生,以下配置初始条件:退火温度 迭代次 阈值,验证精度 。
让 , ,在那里神经元动作功能。
让的初始点 ;鲍威尔算法采用优化搜索过程。
第一个局部最小点搜索,一批新的权重获得;然后让 , 。
让是迭代值 , ,当前的解决方案 。最优保护执行模拟退火操作来获取一个新组的权重 。
让 ;温度下降方法
如果匹配阈值,PSACO算法将结束。否则,如果 ,然后让 ,变成了一步 ;如果 ,然后让 ,变成了一步 。
与传统的SA算法相比,提出的改进PSACO算法描述如下。
如图2,PSACO算法将搜索过程划分为三个阶段:鲍威尔搜索、大都市抽样,SA处理。第一阶段,鲍威尔算法获得初始最优点,可以减少搜索范围和计算负载的SA。鲍威尔算法是一种有效的直接搜索法,整个迭代分为几个阶段,每个阶段由 一维搜索。首先,它搜索的方向,获得一个更好的观点。然后,它搜索的方向更好点和输出点之间的界线和收益最优的阶段。最后一个搜索方向代替一个较小的移动方向在前方向,下一阶段迭代启动。鲍威尔算法的步骤描述如下。
(一)一个初始点 ,对应于线性无关的方向: ,设置一个错误阈值 和 。
(b)组 ,从 ,搜索的方向 反过来,和获得的 ;从 ,搜索的方向 ,并获得 。
(c)如果 ,停止迭代,获得的 ;否则,让 ,在那里是较小的移动向量的阶段。
(d)设置 ,然后返回到步骤(b)。
显然,数据采样率较低的这个阶段,鲍威尔算法可以执行搜索效率的优势,减少SA的搜索范围和计算负载和提高整个优化过程的收敛性能。
退火温度的迭代执行的方法(7)。因为传统的SA算法的温度计算方法 该算法具有更高的冷却速率,即收敛的进料速度阈值。
大都市抽样算法的干扰变量是由一个随机变量的创造者的柯西成本函数: 在哪里是一个随机变量分布均匀的间隔 。自柯西概率密度分布有陡峭的峰和奉承侧翼与正态分布相比,它可以执行更精确的本地搜索,能够跳出局部最优解。因此,冷却过程可以采用更高温度下降率(7)来提高融合效率。
为了验证的有效性和优势提出PSACO算法,数值实例和执行认知实验,介绍了部分相关的内容4和5。
4所示。数值实例和聚类的结果
4.1。数值实例
检查算法的有效性,本文提供了人类认知过程的数值实例。实现方案涉及到图像上的信息收集目标对象的机器视觉方法。采用图像分割技术获取功能区域和识别目标对象的识别算法。
如图3目标对象是四种常见的动物:马、驴、骡,山羊。由于目标对象有许多类似的特征(四足蹄,尾巴,长耳朵,和一个四足动物的形状),识别和区分对象的过程在一定程度上能反映人类认知的过程。考虑到数值刺激上述识别目标,认知过程包括三个方案:CNIS-I CNIS-II, CNIS-III。
(一)
(b)
(c)
(d)
(1)CNIS-I涉及马和驴的识别。这两只动物的共同特点:四足动物,四个蹄子,一个尾巴,和两个长耳朵。根据常识,我们知道驴子的耳朵长得多比的马,所以他们可以被耳朵的长度。可以被定义为特征向量
由于数据元素(10)现有的定性特征,特征向量对应的马和驴都表示 , 。上述两个特征向量是所需的训练数据(输入模式)的认可。因为目标对象识别的范围只涉及两个动物,相关的预期状态(输出模式) , ,如表所示1。
|
||||||||||||||||||
(2)CNIS-II需要识别的马,驴和骡子。三种动物的共同特点:四足动物,蹄,尾巴,和长耳朵。根据常识,我们知道马的耳朵是相对较短的(占10%到20%的头长度),驴有最长的耳朵(占60%到80%的头长度),和驴的耳朵长度介于两者之间(占30%到40%的头长度)。因此,可以确定这三个动物耳朵的长度。然而,描述的特征向量(10)不能满足识别的要求。为了解决这个问题,数据元素在(10)必须处理操作,转化为特征向量
同样地,数据元素 , ,和现有的定性特征。提炼成定量元素吗 ,所以相对应的特征向量的马,驴和骡表示 , , ,分别。上述三个特征向量是所需的训练数据(输入模式)第二识别。因为目标对象范围包含三个动物,相关的预期状态(输出模式) , , ,如表所示2。
|
|||||||||||||||||||||
(3)CNIS-III执行承认马,驴、骡,山羊(男性)。四个动物有以下共同特点:四足动物,四个蹄子,一个尾巴,和两个长耳朵。山羊的耳朵相对较小,但头部长度的比例接近的骡子,所以特征向量(10)和(11)不能满足第三识别的要求。为了解决这个问题,向量(10)必须处理操作;一个维度,没有/角的存在,必须添加,可以转化为向量 数据元素还包含定性特征。因此,特征向量的马、驴、骡,山羊被记录 , , , 。上面所描述的四个特征向量捕捉识别所需的训练数据(输入模式)。在这种情况下,四个特征向量是所需的训练数据(输入模式)第三认可。因为目标对象范围包含所有四个动物,有关预期状态(输出模式)如下: , , , ,如表所示3。
|
||||||||||||||||||||||||
4.2。聚类结果讨论
根据计划部分的数值实例4所示。1三组数据样本。每个样本包含四列对应于四种动物(马、骡、驴、羊),和一个列包含30个图像。第一个是原始样本,如图s1支持信息的部分,其中包含120张图片的四个动物,与普通正交视图和更高的分辨率。第二个是损坏的样本,如图s2,120年受损图像的方法提高透明度,不同RGB平衡,改变对比度,添加错误点,降低分辨率,旨在描述容错学习的过程。最后一个是转换后的样本,如图s3,120张图片所示的模式,不同角度的局部放大,配置文件,和漫画,旨在验证算法的理解能力。这一次集群或认可,选择所需的动物图片随机顺序和构造训练样本。
以上述数据样本为认知目标对象,与英国石油(BP)集群的三组对比实验,SA和限制玻耳兹曼机基础极端学习机(RBM-ELM)算法54,55执行),每组实验是面向一个数值实例方案(CNIS-I, CNIS-II CNIS-III),结果在图所示4,5,6,分别。
(一)
(b)
(c)
(一)
(b)
(c)
(一)
(b)
(c)
CNIS-I的聚类结果对初始样本(如图4(一)),我们可以发现英国石油(BP)的聚类曲线,SA和PSACO算法快速收敛,迭代误差可以达到小于10−880年以后的迭代步骤。由于全球SA搜索策略,SA-ANN比三层的聚类性能和PSACO算法。为隐层神经元数量和算法复杂性越高,RBM-ELM需要超过200性能收敛迭代步骤。由于鲍威尔算法和组合优化的影响,提出PSACO算法具有最好的收敛速度。CNIS-I非常简单的认知对象,除了RBM-ELM算法,因此其他三个算法的聚类差异不明显。在图4 (b)认知对象的复杂性的增加,四种算法的收敛迭代步骤增加160倍,尤其是RBM-ELM。同样的,该算法的聚类性能最好,优势往往是显而易见的。对结果转换示例(如图4 (c)),收敛迭代步骤增加成功,因为更高的目标对象的复杂性;英国石油公司、SA和PSACO算法需要更多的200倍,和超过500 RBM-ELM算法的迭代步骤。显然,该算法有明显的集群优势,和平均收敛速度可以提高到22.5%,29.0%,177%,分别与英国石油公司相比,SA和RBM-ELM算法。
从图5,它可以推断的收敛迭代步骤增加显然是因为目标对象的复杂性越高,目标向量的维数增加到3。CNIS-II的聚类结果对初始样本(如图5(一个)),我们可以发现,英国石油公司,SA和PSACO算法良好的收敛趋势,和迭代误差可以达到小于10−8600年以后的迭代步骤。同样,RBM-ELM算法收敛速度最低,拟议中的PSACO算法有最好的聚类性能。不同的图4(一),由于足够的目标对象的复杂性,提出的算法可以获得充足的优势,和收敛速度可以提高19.2%和42.0%,相比之下,英国石油公司和SA算法。RBM-ELM,该算法可以执行聚类效率的三倍多。在图5 (b),认知对象的复杂性不断增加,收敛的迭代步骤超过1600次,该算法的集群优势更显著。对结果转换示例(如图5 (c)),收敛迭代步骤增加先后,BP, SA和RBM-ELM算法需要更多的1000倍。然而,该算法的迭代步骤只会增加不到800次,证明该方法可以接受较低的影响与目标对象的复杂性增加。
从图6,它是发现,收敛迭代步骤不断增加目标对象的复杂性的增加,目标向量的维数增加到4。CNIS-III的聚类结果对初始样本(如图6(一)),我们可以发现,1700年之后的四个算法能收敛迭代步骤。RBM-ELM算法收敛速度最低,没有明显的差异BP和SA算法的误差曲线。拟议中的PSACO算法的聚类性能最好,有明显的优势。在图6 (b),增加认知对象的复杂性,除了该算法,其他三个算法的收敛迭代次数增加更多的1000。同样,该算法可以执行最佳的聚类性能,并达到两倍多的收敛速度与RBM-ELM算法。英国石油(BP)和SA算法的收敛率也相对较近。对结果转换示例(如图6 (c)),收敛迭代步骤增加先后,BP和SA算法需要更多的1600倍,和超过3000 RBM-ELM算法的迭代步骤。显然,该算法有明显的集群优势,以及收敛速度可以提高到25.4%,25.8%,160%,分别与英国石油公司相比,SA和RBM-ELM算法。此外,上述结果表明,BP和SA算法的聚类性能往往是有限的目标对象与更高的复杂性。
从集群的三组对比实验,可以获得以下法律。对象的复杂性的增加,聚类过程需要更多的迭代步骤,在原样品最低认知困难,和转换后的样本复杂性最高。RBM-ELM算法最坏的收敛速度,由于其较高的隐层神经元数目和算法复杂性。全球搜索模式,比BP和PSACO SA需要较高的迭代步骤。自从鲍威尔算法和组合优化方法,提出PSACO算法可以获得最佳的聚类性能与其他三个算法相比,尤其是对于更复杂的目标对象。
5。认知实验和结果讨论
5.1。认知系统的设计实例
在上述研究工作基础上,我们开发一个应用软件系统来验证该算法的有效性。如图7,软件系统包括实时数据接收和管理组件(DRMC),一个图像分区界面组件(IPIC),一个形状提取组件(SEC),一个对象特征库组件(OCLC)和系统功能界面(SFI)。
目标对象的原始数据是通过自行设计的嵌入式双cpu实时图像数据采集卡(56]。过滤和去噪预处理操作后,根据实时图像数据的打包,然后上传到DRMC数据传输协议。DRMC是实体的SPM SA-ANN-based推理模型,检查,解包,并将数据包上传的数据采集卡,然后提供一个适当的和可靠的数据来源以下数据的处理和计算。国际石油和SEC杰姆的实体在一个理论模型。IPIC是实时图像分割面向选中的图形区域特征。美国证券交易委员会采用的图像处理算法提取特征数据在图像区域分割和功能数据被存储在OCLC通过DSC作为知识数据库的识别系统。KSRC是系统的核心组件实例,进行知识学习和模式识别目标对象通过一个安和构成KSRM的物理实体。OPM的SFI对应模块和SEM和负责数据后处理和输出,其中主要包括输出结果,显示图形,配置数据采集参数,打印报告,监控中间结果,调整目标对象描述和特征参数。
根据方案如图7在Linux操作系统,结合GNU-GCC / G + +和Qt技术,我们开发的应用软件ANNs-based模拟人类认知的,和主要控制界面如图8。嵌入式系统的软件采用选项卡小部件模式环境下,它可以提供系统参数的配置,学习/培训,认知/识别,和过程优化。对目标对象(马、驴、骡、山羊)中所描述的部分4所示。1,目标图像数据由计算机视觉技术,获得原始图像预处理的灰色和向量化。然后,该地区分割预处理图像上执行所选特征图像区域(57- - - - - -61年]。在这种情况下,选择图像区域的特征是头,和功能区域概况图所示8。基于上述操作,构造特征向量的特征元素中描述的部分4所示。1和信息在认知的过程和最终的识别结果所提供的三种算法。
5.2。实验结果讨论
检查的有效性和优势提出PSACO算法,三组识别比较实验与BP, SA, RBM-ELM算法执行。实验过程描述如下。选择目标对象的图像数据的三组样品(原始、损坏和转换)随机顺序和构造一个训练样本。执行预处理图像的区域分割,和图像档案。提取的特征数据作为神经网络的输入,并识别结果所提供的四个算法。
(1)认知结果原始样本。首先,以原样品为目标对象,四只动物识别比较结果,对应三个方案(CNIS-I, CNIS-II CNIS-III),如表所示4,5,6,分别。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
CNIS-I,马和驴是目标对象,由以下符号:和 。二百次实验完成,结果如表所示4。从表中,我们可以看到四个算法可以正确识别目标对象,因为较低的目标的复杂性。
考虑第二方案,马、驴、骡子是目标对象,所代表的符号 , ,和 。增加计算困难,执行三百次实验,结果如表所示5。从表中,可以得到以下结果:BP算法有14个错误的决定,和平均识别率降低98.4%;SA算法开始产生错误的决策目标对象的复杂性的增加;驴子很容易识别,因为它的长耳朵,和骡子的认知难度相对较大;RBM-ELM可以执行更高的分类精度和没有错误的决定;由于特征向量是由细化处理操作,该PSACO算法可以准确识别三个目标对象。
在第三阶段,马、驴、骡子,和山羊是目标对象所代表的符号 , , ,和 。进一步提高计算困难,执行五百次的实验,结果如表所示6。从表中,我们可以得到以下规律:与识别的复杂性的增加,英国石油公司和SA算法的识别率下降很明显,特别是对于mule和山羊;RBM-ELM和PSACO算法开始产生错误决策的差异造成的目标对象的示例数据,识别精度超过99%;自从应用细化和维度,PSACO算法能够可靠地识别山羊,证明该方法的识别性能接近人类。
(2)认知结果损坏样品。为表示节4所示。1,损坏的样品具有较高的认知困难,可以描述算法的容错能力。关于损坏的样本,识别结果对应于三个方案如表所示7,8,9,分别。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
第一个实验,马和驴的目标对象。二百倍的识别实验完成,结果如表所示7SA, RBM-ELM, PSACO算法可以正确识别目标对象;三层有一个错误的决定,造成的破坏特性。
在第二阶段,马、驴、骡子是目标对象,三百倍的识别实验结果如表所示8。从表中,我们可以得到以下规律:增量的目标对象的复杂性,提出PSACO算法可以使识别率超过99%;因为RBM-ELM算法需要更大的样本数量保证识别精度,其识别率降低98.0%;由于更复杂的破坏特性,SA算法的识别率下降明显,尤其是对骡子;BP算法的识别率下降不到90%,因为较弱的容错处理能力。
在第三阶段,马、驴、骡子,和山羊是目标对象,比较实验和五百次的结果如表所示9。从表中,可以推断出以下规律:由于向量优化操作,也就是说,扩展元素的提炼和维度,PSACO算法受到低影响识别的复杂性的增加,平均识别率为99.2%;SA和RBM-ELM算法的识别率会不断减少,没有明显差异;BP算法的识别性能最差,平均精度小于85%。显然,该算法可以处理特性差异产生的损坏处理操作,可以描述容错人类认知的学习过程。
(3)认知结果改变了样品。为表示节4所示。1,转换后的样本有不同的观点和抽象的概要文件,最高的认知困难,并能描述算法的理解能力。对转换后的样本,识别结果对应于三个方案如表所示10,11,12,分别。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
第一个实验,马和驴的目标对象。二百次的实验完成,结果如表所示10。虽然这个实验认知复杂度最低,为BP算法很难了解目标对象的转换特性,SA算法具有9错误的决策,和RBM-ELM算法使6个错误的决定。因为不同的转换特性,提出了mule PSACO算法产生第一个错误的决定在这个实验。
在第二阶段,马、驴和骡目标对象,比较实验和三百次的结果如表所示11。从表中,我们可以获得以下结果:目标对象的复杂性的增加,英国石油(BP)的识别精度,SA和RBM-ELM算法明显减少,平均利率80.2%,91.5%,91.9%,分别;因为SA的组合优化,提出PSACO算法可以容纳转换特性,获得超过97%的识别率。
在第三阶段,马、驴、骡子,和山羊是目标对象,比较实验和五百次的结果如表所示12。从表中,以下法律可以推断:BP算法的识别率下降到低于80%;SA和RBM-ELM可以产生密切的识别效果,而识别利率降低了91.0%,更复杂的转换功能。PSACO算法的识别率也减少,但这是95%以上。上述结果证明,该算法可以解决转换后的图像的特征变化,可以模拟人类认知的理解过程。
6。结论
人类认知是人工智能的一个重要主题,和许多的尝试表明,人工神经网络可以提供足够的研究方法。解决问题的复杂的信息理解和容错的学习,提出了人类认知的SA-ANN-based建模方法。关于上述研究目标,执行相应的研究,结论如下。
根据信息加工理论,人类认知的物理过程及其基本特征进行了分析,并面向SA-ANN-based推理模型的认知。层次结构、功能模块和数据模型的依赖性,KSRM的核心组件和应该提供并行处理能力对知识学习和模式识别。算法的合理性和效率的关键因素是KSRM确定模型的有效性及相关信息处理系统。
基于推理模型,讨论了人类认知的动态模式识别系统,并提出了相应的信息处理和特征提取方法。理论分析表明,特征提取的最终目标是获得特征向量与最小的维数可以获得实用信息覆盖率为目标对象,具有通用性。
PSACO算法提出了人类认知,并给出了相应的计算程序。获得特定目标对象、认知的关键因素,包括特征提取、知识聚类和模式识别、定义和模拟,数值迭代的实例。比较数值结果表明,该算法具有较高的聚类效率,与英国石油公司相比,SA和RBM-ELM算法。
基于认知提出PSACO算法,软件系统开发来确定仿真结论。比较实验结果表明,该方法可以正确认识到测试对象,提供充分的学习理解和容错能力的信息,并能模拟人类认知的基本过程。
总之,作为其主要的科学贡献,本文介绍了SA-ANN技术到人类认知领域,提供了一个准确的数字表示人类认知数学路径。这项工作不仅可以提供直接建模方法研究建议,推理分析,优化过程的人工智能,但也提供了一个普遍的参考研究领域的动态模式识别、非线性信号处理、监测对象的不确定性,电脑辅助教学和现代康复治疗。后续研究应关注深度学习和创造性学习的方面。
命名法
| : | 向量附加操作 |
| : | 搜索方向 |
| : | 向量空间 |
| : | 神经元动作功能 |
| : | 最佳解决方案 |
| : | 输出层神经元数量 |
| : | 数字签名序列 |
| : | 许多目标模式 |
| : | 实际的输出SA |
| : | 实际网络输出 |
| : | 所需的网络输出 |
| : | 数量的样品 |
| : | 条件概率 |
| : | 数量的观察序列 |
| : | 覆盖率 |
| : | 精制向量的维数 |
| : | 细化操作 |
| : | 维向量空间 |
| : | 网络的重量 |
| : | 时间变量 |
| : | 预期的输出SA |
| : | 退火温度 |
| : | 数量的附加维度 |
| : | 输入数据元素 |
| : | 精制向量元素 |
| : | Dimension-appended特征向量 |
| : | 特征向量 |
| : | 输入模式在 |
| : | 观察序列 |
| : | 一般的映射 |
| : | 误差阈值 |
| : | 随机变量 |
| : | 误差平方和 |
| : | 模式状态元素 |
| : | 最优模式状态 |
| : | 目标模式 |
| 人工神经网络: | 人工神经网络 |
| 英国石油公司: | 反向传播 |
| 杰姆: | 特征提取模块 |
| DRMC: | 数据接收和管理组件 |
| 榆树: | 极端的学习机器 |
| EmNN: | 情绪的神经网络 |
| eRBP: | 事件驱动的随机英国石油公司 |
| HS-RNN: | 混合结构递归神经网络 |
| 国际: | 图像分区界面组件 |
| KSRM: | 知识学习和识别模块 |
| 腰痛: | 腰痛 |
| NDANNs: | 非线性动力人工神经网络 |
| OCLC: | 对象特征库组件 |
| 人事管理局: | 输出处理模块 |
| PSACO: | 鲍威尔SA与组合优化 |
| 元: | 限制了玻耳兹曼机 |
| SA-ANN: | 模拟annealing-artificial神经网络 |
| SDGM: | 最陡下降梯度法 |
| 证券交易委员会: | 形状提取组件 |
| 扫描电镜: | 感觉效果模块 |
| 你以后: | 系统功能界面 |
| SPM: | 感官知觉模块 |
| SRN: | 简单的复发性网络 |
| WCST: | 威斯康辛卡片分类测验。 |
信息披露
投资者没有参与研究设计、数据收集和分析,决定发表,或准备的手稿。
的利益冲突
作者宣称没有利益冲突。
确认
作者要感谢中国自然科学基金会的资金支持下授予号。51775501,51375446;浙江省科学基金批准号下LR16E050001;浙江省卫生部门项目批准号下2015 kya067;浙江省教育科学规划下授予号。2013 scg386 2017 scg028。
补充材料
补充1。图s1:原始目标对象的示例。
补充2。图s2:破坏目标对象的示例。
补充3。图s3:改变目标对象的示例。
引用
- 答:纽威尔和h·a·西蒙,”计算机模拟人类思维”,科学,卷134,不。3495年,第2017 - 2011页,1961年。视图:出版商的网站|谷歌学术搜索
- l . Hluchy m . Kvassay p Krammer说,施耐德,“因果分析的基于代理模型的人类行为,”复杂性卷,2017篇文章ID 8381954, 18页,2017年。视图:谷歌学术搜索|MathSciNet
- a·纽厄尔“知识水平”,人工智能,18卷,不。1,第127 - 87页,1982。视图:出版商的网站|谷歌学术搜索
- D.-P。棕褐色,S.-M。霁,M.-S。金,“智能计算机辅助教学建模和优化方法研究并联机器人教学策略,”IEEE教育卷,56号3、268 - 273年,2013页。视图:出版商的网站|谷歌学术搜索
- d, l·张,问:人工智能,“嵌入式网络化制造系统的自适应网络服务框架,“《智能制造,队,2016页。视图:出版商的网站|谷歌学术搜索
- f·s . Romoli m . Serrano Rossomando, j .织女星o·奥尔蒂斯,和g . Scaglia“神经网络状态估计的闭环控制策略应用于馈料式生物反应器,”复杂性卷,2017篇文章ID 9391879, 16页,2017年。视图:谷歌学术搜索|MathSciNet
- j . j . Chen Yang j .赵f . Xu z沈,和l .张“能源需求预测温室使用非线性模型基于模型的预测方法进行了优化,“Neurocomputing,2015年。视图:出版商的网站|谷歌学术搜索
- g·j·s·t·d . p . Tan Chen包,和l . b .张“嵌入式轻量级GUI组件库和人体工程学优化方法为工业过程监控,”前沿的信息技术和电子工程,2017年。视图:谷歌学术搜索
- 和p . m . Diykh y . Li,“分类癫痫EEG信号使用基于加权复杂网络的社区结构发现,“专家系统与应用程序卷,90年,第100 - 87页,2017年。视图:出版商的网站|谷歌学术搜索
- p .惊动f·科斯塔,v·隆巴多,p . Frasconi”学习初步的结构附件偏好与动态语法和递归神经网络,”认知,卷88,不。2、133 - 169年,2003页。视图:出版商的网站|谷歌学术搜索
- j . r . Vokey和p·a·海厄姆,”反对派逻辑和神经网络模型在人工语法学习,”意识与认知,13卷,不。3、565 - 578年,2004页。视图:出版商的网站|谷歌学术搜索
- r和d . r . j . Tunney小腿:“反对逻辑提供依据有意识和无意识的过程在人工语法学习?”意识与认知,12卷,不。2、201 - 218年,2003页。视图:出版商的网站|谷歌学术搜索
- p·a·海厄姆和j . r . Vokey”战略的控制应用程序仍然可以产生效果:自动回复顿,”实验心理学杂志》:一般,卷129,不。4、476 - 480年,2000页。视图:出版商的网站|谷歌学术搜索
- d . Hallner和m . Hasenbring”的社会心理危险因素分类(黄色标志)发展的慢性腰和腿疼痛使用人工神经网络,”神经学字母,卷361,不。1 - 3、151 - 154年,2004页。视图:出版商的网站|谷歌学术搜索
- g·b·卡普兰n sŞengor h . Gurvit Genc,和c . Guzeliş“执拗和注意力分散的复合神经网络模型在威斯康星卡片分类测试中,“神经网络,19卷,不。4、375 - 387年,2006页。视图:出版商的网站|谷歌学术搜索
- s . Helie美国查特,r•“无监督神经网络无知吗?大小分布在无监督学习环境的影响,”认知系统研究,7卷,不。4、357 - 371年,2006页。视图:出版商的网站|谷歌学术搜索
- d·s·莱文,”神经网络建模的情感。”生活的物理评论,4卷,不。1,37 - 63年,2007页。视图:出版商的网站|谷歌学术搜索
- 美国查特,p . Renaud和m . Boukadoum”记忆的非线性动态人工神经网络模型,”新思想在心理学,26卷,不。2、252 - 277年,2008页。视图:出版商的网站|谷歌学术搜索
- k . Tsagkaris a Katidiotis, p . Demestichas”神经认知无线电系统,基于网络的学习方案”计算机通信没有,卷。31日。14日,第3404 - 3394页,2008年。视图:出版商的网站|谷歌学术搜索
- l . Schmidt-Atzert s·克拉姆,d . Lubbe“向稳定的预测学徒培训成功:人工神经网络优于线性预测?”人事心理学杂志,10卷,不。1,34-42,2011页。视图:出版商的网站|谷歌学术搜索
- k . Alexandridis和y丸”,破产和重组模式的社会在进化语义网络知识表示,“信息科学卷。200年,21,2012页。视图:出版商的网站|谷歌学术搜索
- e . Grossi A比较,m . Buscema”个人语义地图的概念在临床心理学:可行性研究新范式,“质量和数量,48卷,不。1、15 35,2014页。视图:出版商的网站|谷歌学术搜索
- e·o·Neftci c .奥古斯汀,s .保罗,和g . Detorakis“事件驱动随机附加:使神经形态深度学习机器,”神经科学前沿ID 324条,卷。11日,2017年。视图:出版商的网站|谷歌学术搜索
- 好Oyedotun和a . Khashman Prototype-incorporated情感神经网络”IEEE神经网络和学习系统卷,页没有。99年,1-13页。视图:出版商的网站|谷歌学术搜索
- D.-P。棕褐色,P.-Y。李,y。霁,D.-H。温,c·李”SA-ANN-based渣遗留物检测方法和嵌入式WME平台,“IEEE工业电子产品,60卷,不。10日,4702 - 4713年,2013页。视图:出版商的网站|谷歌学术搜索
- 诉Lukovac, d . Pamučar m . Popović,b .Đorović”投资组合模型分析人力资源:一种方法基于神经模糊建模和模拟退火算法,”专家系统与应用程序卷,90年,第331 - 318页,2017年。视图:出版商的网站|谷歌学术搜索
- t·杨,a . a . Asanjan m . Faridzad n . Hayatbini x高,和美国Sorooshian,”一个增强与重组后的复杂的进化人工神经网络全局优化与主成分分析,“信息科学卷,418 - 419,302 - 316年,2017页。视图:出版商的网站|谷歌学术搜索
- a . Demiroren h·l . Zeynelgil和n s Sengor”自动生成控制使用ANN与中小企业单位互联电力系统技术”电力组件和系统,32卷,不。2、193 - 213年,2004页。视图:出版商的网站|谷歌学术搜索
- c . Li S.-M。霁,D.-P。谭”,多路数字为400 hz的逆变器控制方法系统基于反馈阶段,“IEEE电力电子,28卷,不。1,第417 - 408页,2013。视图:出版商的网站|谷歌学术搜索
- D.-P。棕褐色,S.-M。霁,Y.-Z。富”,一种改进的基于流体碰撞理论的软磨料流加工方法,”国际先进制造技术杂志》上,卷85,不。5 - 8,1261 - 1274年,2016页。视图:出版商的网站|谷歌学术搜索
- a·c·齐默尔曼,c . l . n . Veiga和l . s .灌肠”明确的信号处理和测量范围扩展为光纤布拉格光栅传感器使用人工神经网络温度情况下,“IEEE传感器杂志,8卷,不。7,1229 - 1235年,2008页。视图:出版商的网站|谷歌学术搜索
- 侯赛因和A . AlAlili”混合太阳辐射建模方法利用小波多分辨率分析和人工神经网络,”应用能源卷,208年,第550 - 540页,2017年。视图:出版商的网站|谷歌学术搜索
- d . p . Tan t·杨,j .赵和s . m .,“自由下沉涡埃克曼suction-extraction进化机制”,《物理学报》,卷65,不。5、文章ID 054701, 2016。视图:谷歌学术搜索
- j·加西亚,c .教皇和f . Altimiras”分布式K——适用于分割算法lobesia botrana认可。”复杂性ID 5137317条,卷。2017年,14页,2017。视图:出版商的网站|谷歌学术搜索
- d . Tan, s, p·李,x,“振动的发展风格钢包渣检测方法和关键技术,”中国科学技术科学,53卷,不。9日,第2387 - 2378页,2010年。视图:出版商的网站|谷歌学术搜索
- n, l·苏d, l .高,m .姚明,和吴z,”老鼠机器人运动的计算模型基于cyborg的情报,“Neurocomputing卷,170年,第97 - 92页,2015年。视图:出版商的网站|谷歌学术搜索
- 巴拉米和f . Doulati Ardejani”,预测煤中的黄铁矿氧化清洗废物堆使用混合方法,结合人工神经网络和模拟退火(安/ SA),“《清洁生产卷,137年,第1137 - 1129页,2016年。视图:出版商的网站|谷歌学术搜索
- m . l . Dantas本人交出密码迪亚斯和A . r .罗查否决权,“训练支持向量机软边缘通过模拟退火:双重方法,”专家系统与应用程序卷,87年,第169 - 157页,2017年。视图:出版商的网站|谷歌学术搜索
- x z吴:郑,s,郑,l·高和l .苏“迷宫学习混合脑-机系统,”科学报告》第六卷,没有。1,文章ID 31746, 2016。视图:出版商的网站|谷歌学术搜索
- n .森古普塔和n . Kasabov Spike-time编码作为模式识别的数据压缩技术的数据,”信息科学卷,406 - 407,133 - 145年,2017页。视图:出版商的网站|谷歌学术搜索
- d . Tan y倪,l .张“两阶段下沉漩涡吸机理和渗透动态特性在包的过程中,“钢铁研究学报,国际,24卷,不。7,669 - 677年,2017页。视图:出版商的网站|谷歌学术搜索
- w . l . Chen咀嚼,m .花环,“反应原位傅立叶变换红外光谱数据的光谱模式识别使用最小化的熵和光谱相似性(混乱):应用齐次铑催化异戊二烯的加氢甲酰化,“应用光谱学卷,57号5,491 - 498年,2003页。视图:出版商的网站|谷歌学术搜索
- j·杰里科,”句法模式识别模型的最新发展基于quasi-context敏感的语言,“模式识别的字母,26卷,不。7,1011 - 1018年,2005页。视图:出版商的网站|谷歌学术搜索
- b . x, y, y . h . Lu和x张“PD声学信号的模式识别从发电机、极性特征”学报2006 - 8日ICPADM电介质材料的特性和应用国际会议印度尼西亚,页710 - 713年,2006年6月。视图:出版商的网站|谷歌学术搜索
- d . p . Tan和l . b .张“WP-based非线性振动传感方法无形的液态钢渣检测,”传感器和执行器B:化学卷,202年,第1269 - 1257页,2014年。视图:出版商的网站|谷歌学术搜索
- 即Trendafilova”模式识别方法在结构损伤诊断振动测量,”主要工程材料,没有。204 - 205,85 - 94年,2001页。视图:出版商的网站|谷歌学术搜索
- 即Trendafilova和w个分类和模式识别方法损害本地化从振动测量,”机械系统和信号处理,17卷,不。4、825 - 836年,2003页。视图:出版商的网站|谷歌学术搜索
- n .郑m·金h .香港l .黄顾z, h·李,“实时和精确的昆虫飞行控制系统基于虚拟现实,”IEEE电子信件,53卷,不。6,387 - 389年,2017页。视图:出版商的网站|谷歌学术搜索
- m·r·Widyanto h . Nobuhara k .川k .大臣和b . Kusumoputro”提高bp神经网络的识别和泛化能力使用自组织网络受到免疫算法(索尼娅)”应用软计算》第六卷,没有。1,第84 - 72页,2005。视图:出版商的网站|谷歌学术搜索
- r·g·Brereton“速上升,最陡下降梯度方法,”全面的化学计量学1卷,第590 - 577页,2010年。视图:出版商的网站|谷歌学术搜索
- p·h·a·j·m·w . Wang诉德j . k . Vrijling和j·马,“使用混合ANN模型预测每日流速及流水量,”《水文,卷324,不。1 - 4、383 - 399年,2006页。视图:出版商的网站|谷歌学术搜索
- e . Soria-Olivas j . d . Martin-Guerrero a . j . Serrano-Lopez j . Calpe-Maravilla j . Vila-Frances和g . Camps-Valls”有效地修剪使用模糊多层感知器乙状结肠激活函数,“Neurocomputing,卷69,不。7号到9号,第912 - 909页,2006年。视图:出版商的网站|谷歌学术搜索
- z . j .荣,比比丹和j·g .咦,“脱硫铁水的BP神经网络预测模型,”在计算机科学的课堂讲稿卷,3584年,第735 - 728页,2005年。视图:谷歌学术搜索
- p y, b . y .高h . j . Lu和l . n .陈”的极端方法基于限制玻耳兹曼机学习机器,”数学在实践和理论,46卷,不。11日,第161 - 157页,2016年。视图:谷歌学术搜索
- X.-H。他,d . Wang Y.-F。李和学术界。周”,一种新颖的基于高斯的轴承故障诊断方法限制玻耳兹曼机,”数学问题在工程卷,2016篇文章ID 2957083、8页,2016。视图:出版商的网站|谷歌学术搜索
- h·k·j·j . Kim Kim Shin李,和美国公园,“ANN-based拉伸力估算预应力筋的预应力混凝土梁使用光纤光栅/ EM混合传感、”洞察力——无损检测和状态监测卷,59号10日,544 - 552年,2017页。视图:出版商的网站|谷歌学术搜索
- r·陈歌和美国“自调优proportional-integral-derivative-based draw-texturing-yarn机温度控制方法,”数学问题在工程ID 1864321条,卷。2017年,17页,2017。视图:谷歌学术搜索|MathSciNet
- s . Kobashi n . Kamiura y哈塔,和f . Miyawaki”Volume-quantization-based神经网络方法三维血管造影图像分割先生”图像和视觉计算,19卷,不。4、185 - 193年,2001页。视图:出版商的网站|谷歌学术搜索
- f r . Yahiaoui Alilat s Loumi”并行模糊ARTMAP FPGA架构:多光谱分类ALSAT-2A图像,”IEEE工业电子产品,卷64,不。12日,第9495 - 9487页,2017年。视图:出版商的网站|谷歌学术搜索
- 张,t . Wang j .董和h . Yu,“通过扩展的多尺度Retinex水下图像增强,”Neurocomputing卷,245 - 2017页。视图:出版商的网站|谷歌学术搜索
- d, l . Li y朱、郑,江x,“嵌入式云数据库服务的分布式工业监控的方法,”IEEE工业信息卷,页没有。99年,页1 - 1,2017。视图:出版商的网站|谷歌学术搜索
版权
版权©2018陈檐沟和大鹏棕褐色。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
