前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡的復雜度范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡的復雜度范文第1篇

通信技術的快速發(fā)展引發(fā)了對短數(shù)據(jù)信號檢測問題更為苛刻的要求。該文根據(jù)通信信號星座的固有特點，從泛函網(wǎng)絡角度出發(fā)，提出短數(shù)據(jù)信號盲檢測的泛函網(wǎng)絡方法。設計一種基于多輸入多輸出泛函網(wǎng)絡框架下的信號盲處理方法的基本思路，預計為通信系統(tǒng)的信號直接盲檢測提供一種嶄新思路，為實際通信系統(tǒng)開發(fā)提供借鑒。

【關鍵詞】盲檢測 泛函網(wǎng)絡 MIMO

1 引言

隨著下一代網(wǎng)絡、物聯(lián)網(wǎng)等通信技術日益創(chuàng)新和迅速發(fā)展，促使信號盲檢測技術研究者不斷探索更新的技術滿足當前不斷提高的無線信號傳輸速率和增強的傳輸信道的時變性。對新技術的研究主要在于加強盲檢測算法的適用性和自適應能力、增強降噪性能、誤碼性能、降低系統(tǒng)開銷減少能耗、降低運算復雜度和加快收斂速度等方面?；谶@些工作，國內(nèi)外發(fā)展了一些性能優(yōu)秀的盲檢測算法。

有一種是基于二階統(tǒng)計量的盲均衡算法（Second Order Statistics， SOS）[1][2]，這類算法在計算過程中涉及信道階數(shù)，要求對信道階數(shù)的可辨識性非常敏感，而實際運用中容易受到干擾和噪聲影響影響算法穩(wěn)定性。

另一種是基于有限字符集約束的直接利用字符集盲檢測算法[3]，該種盲算法對于復雜信號算法復雜度較高、實用性較低，未見相關文獻對復雜信號情況的討論。

還有是基于人工神經(jīng)網(wǎng)絡的盲檢測方法[4-10]，在文獻[5]中提出和發(fā)展了支持向量機框架下的MPSK信號盲檢測算法，該算法能夠簡化信號檢測域值的選擇。然而，在復數(shù)域信號檢測中算法復雜度極高。在文獻[6]中介紹了采用有限脈沖響應濾波器和泛函連接人工神經(jīng)網(wǎng)絡聯(lián)合的方法設計自適應非線性均衡器，有效改善算法復雜度、誤碼性能較好。該方法取消了傳統(tǒng)的人工神經(jīng)網(wǎng)絡中的隱層，結構相對簡單，在訓練過程時的計算負載較低。文獻[7][8]分別提出了兩種基于反饋神經(jīng)網(wǎng)絡的盲均衡方法，并發(fā)展了一種低復雜度的流水線（Pipelined）判決反饋神經(jīng)網(wǎng)絡均衡器的設計方法。文獻[9]提出了基于反饋網(wǎng)絡模型的Hopfield神經(jīng)網(wǎng)絡的信號直接盲檢測的初步思路，但是對于密集信號的盲檢測能力未作相關論述。當然除了列舉的一系列文獻中提及的方法外，基于神經(jīng)網(wǎng)絡的通信信號盲檢測方法還有很多種，不再一一列舉。

根據(jù)以上研究，目前基于傳統(tǒng)人工神經(jīng)網(wǎng)絡的信號盲處理方法對于通信信號檢測中存在的局部極小化、收斂速度慢、自適應性能差等問題還沒有能夠很好的解決，而且在多值復數(shù)域信號的研究領域中還涉及較少。

泛函網(wǎng)絡[13]（Functional Networks， FN）是一種基于人工神經(jīng)網(wǎng)絡的新興的研究方向。是人工神經(jīng)網(wǎng)絡的拓展，通過學習過程中神經(jīng)元之間自適應調(diào)整提高系統(tǒng)的適用性和自適應性能。對FN神經(jīng)元優(yōu)化的問題是目前研究的熱點。目前，F(xiàn)N在很多領域都得到很好的應用。比如在線性及非線性回歸、非線性系統(tǒng)辨識和混沌時間序列預測，以及泛函方程求解等領域[10]；特征選擇問題[11]；分類及回歸問題[12]；植物生長動態(tài)建模[13]；軟件可靠性分析[14]。文獻[15]通過對比FN和人工神經(jīng)網(wǎng)絡ANN在捕魚的漁獲量預測中試驗表明，證明了FN比人工神經(jīng)網(wǎng)絡在學習和泛化能力均強[16]。

通過以上研究，表明泛函網(wǎng)絡可以用于優(yōu)化傳統(tǒng)人工神經(jīng)網(wǎng)絡，解決一些傳統(tǒng)人工神經(jīng)網(wǎng)絡難以解決的問題。

無線通信信號在傳輸過程中受到氣候、電磁環(huán)境等各種干擾。本文根據(jù)通信信號星座的固有特點，結合FN模型結構特征，提出一種短數(shù)據(jù)信號檢測的FN方法。提出一種基于多輸入多輸出泛函網(wǎng)絡（MIMOFN）框架下的信號盲檢測方法的基本思路。

2 系統(tǒng)模型

為實現(xiàn)無線通信信號直接盲檢測，首要的條件就需要設計一個多輸入多輸出（MIMO）的模型。FN各個神經(jīng)元之間的連接沒有權值，每個神經(jīng)元都可以獨立學習，互不相同，可相互間可以輸出不同的數(shù)據(jù)，之間的連線用來表示數(shù)據(jù)的流動方向。FN的函數(shù)結構存在多樣性，沒有唯一的結構可以描述所有的泛函網(wǎng)絡，同樣也沒有唯一的函數(shù)可以表示所有的泛函網(wǎng)絡。不過為保證整個系統(tǒng)有較好的泛化能力，根據(jù)每個系統(tǒng)自身的特點都能找到一個最優(yōu)的網(wǎng)絡結構。在這個網(wǎng)絡結構系統(tǒng)中，根據(jù)結構幾何參數(shù)對系統(tǒng)輸入輸出的影響，設計神經(jīng)元的輸入輸出的流向和數(shù)量。盡可能減小函數(shù)基規(guī)模。根據(jù)這些特點將單輸入單輸出（SISO）泛函網(wǎng)絡模型進行拓展推廣。設計一個多輸入多輸出的泛函網(wǎng)絡拓撲結構如圖1。

如圖1所示，第一層和最后一層分別是是輸入、輸出層。第二層為第一神經(jīng)函數(shù)處理層，包含F(xiàn)，G，J，K等神經(jīng)元。第三層為第二神經(jīng)函數(shù)處理層，包含L，N，P，Q等神經(jīng)元，第三層包括若干個中間存儲單元層，用來存儲由第二層神經(jīng)元產(chǎn)生的信息。根據(jù)該拓撲結構，大致推出用于信號盲盲檢測的MIMOFN框圖如圖2。

本文關于MIMOFN輸入方面主要基于矩陣分解理論。這里設計輸入信號W，通過網(wǎng)絡的運行使得待檢測信號在其真實信號空間中再現(xiàn)。本文假設接收端信號為經(jīng)過模數(shù)轉(zhuǎn)換和數(shù)字正交混頻、數(shù)字下變頻和匹配濾波后所得標準信號。通信信號接收方程、盲檢測方程可表述如下：

（1）

XN=SΓH （2）

神經(jīng)網(wǎng)絡的復雜度范文第2篇

關鍵詞： 設施蔬菜病害； 預警； LVQ神經(jīng)網(wǎng)絡； BP神經(jīng)網(wǎng)絡； 黑星病

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

預警是一個軍事術語，指用來對付突然襲擊的防范措施，是組織的一種信息反饋機制，后來逐步引申到現(xiàn)代政治、經(jīng)濟、技術、醫(yī)療、災變、生態(tài)、治安等自然和社會領域[1]。當下，預警在重大氣象災害方面起到重要作用。而創(chuàng)新地把預警應用于設施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設施環(huán)境條件與病害的關聯(lián)關系，把以診治為主的設施蔬菜病害防控模式轉(zhuǎn)變?yōu)橐灶A防為主，降低了病害防控成本，減少了農(nóng)藥污染，大幅度地提高蔬菜產(chǎn)量和質(zhì)量，在農(nóng)業(yè)科技和食品安全方面發(fā)揮重要作用[2]。文中以棚室黃瓜為例，構建黃瓜病害靜態(tài)預警模型。通過實時地對溫度，濕度，土壤酸堿度等自然條件的測量，對病蟲害的發(fā)生進行預測，再根據(jù)預測結果調(diào)整當前環(huán)境，從而達到黃瓜病害預警的目的。運用LVQ神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡兩種算法建立黃瓜黑星病靜態(tài)預警模型并比較兩種模型的優(yōu)劣。結果表明，在以黃瓜黑星病為例的蔬菜病害靜態(tài)預警實驗中，運用BP神經(jīng)網(wǎng)絡算法所構建的模型優(yōu)于LVQ神經(jīng)網(wǎng)絡，在實際的蔬菜病害靜態(tài)預警的應用中更有參考價值。

1 模型的構建及分析

以黃瓜黑星病為例，分別使用LVQ神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡兩種算法構建黃瓜黑星病靜態(tài)預警模型，并從時間、空間復雜度和模型預測的確診率三個方面對兩種模型的適用性和可行性進行比較分析。

1.1 樣本指標的選取與數(shù)據(jù)收集

構建基于LVQ神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡算法的黃瓜黑星病靜態(tài)預警模型，其基礎的工作是進行黃瓜黑星病樣本指標的選取和對所選取的樣本指標進行數(shù)據(jù)收集。這兩項工作為模型的構建提供數(shù)據(jù)支持。

1.1.1 樣本指標的選取

黃瓜是一種常見的蔬菜，甘甜爽口，清淡香脆，是城鎮(zhèn)居民常備的家常菜之一。黃瓜在生長過程中容易發(fā)生各種病害而導致減產(chǎn)，如霜霉病、白粉病、黑星病等等。因此，在黃瓜的生長過程中，可通過對當前溫度，光照，土壤ph值等環(huán)境條件的測量，預測黃瓜得病的可能性而調(diào)整當前環(huán)境。文中以黃瓜黑星病為例測試模型的性能。此病的病因為瓜瘡痂枝孢菌，病菌以菌絲體附著在病株殘體上，在田間、土壤、棚架中越冬，成為翌年侵染源，也可以分生孢子附在種子表面或以菌絲體潛伏在種皮內(nèi)越冬，成為近距離傳播的主要來源。病菌在棚室內(nèi)的潛育期一般3～10天。整個生育期均可侵染發(fā)病，幼瓜和成瓜均可發(fā)病。幼瓜受害，病斑處組織生長受抑制，引起瓜條彎曲、畸形。該病菌在低溫高濕等一系列復合條件下容易發(fā)生和流行。一般在2月中下旬就開始發(fā)病，到5月份以后氣溫高時病害依然發(fā)生[3-4]。文中選用容易感染此種病害的品種津研四號進行試驗[5-6]。經(jīng)查閱資料可知：黃瓜黑星病發(fā)病的因素有土壤ph值，空氣相對濕度，溫度，光照，黃瓜栽培品種等等。其中土壤ph值，空氣相對濕度，溫度這三個因素在黃瓜發(fā)病過程中起主要作用。致使黃瓜黑星病發(fā)病的各因素范圍如下：ph值：2.5-7 ； 空氣相對濕度：>=90；溫度：15℃-25℃。

1.1.2 數(shù)據(jù)收集

黃瓜黑星病的發(fā)病是一個過程，是多個發(fā)病因素相互交叉、共同作用的產(chǎn)物。根據(jù)黃瓜病害書籍資料，搜集所需的數(shù)據(jù)。共330組數(shù)據(jù)，290組數(shù)據(jù)作為訓練集，40組數(shù)據(jù)作為測試集。290組訓練集作為樣本數(shù)，每個樣本數(shù)中有三個輸入特征數(shù)據(jù)，即土壤ph，空氣相對濕度，溫度等三類，所有樣本數(shù)共分為2個類別，即正常與異常。分別用LVQ神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡兩種算法測試模型的可行性并對其進行比較分析，為預測模型的選擇提供參考。

1.2 LVQ神經(jīng)網(wǎng)絡預警模型

構建基于LVQ神經(jīng)網(wǎng)絡的黃瓜黑星病靜態(tài)預警模型，測試模型的可行性，并對模型進行優(yōu)化，進而比較優(yōu)化前、后的黃瓜黑星病預警模型，分析模型的適用性。

1.2.1 LVQ神經(jīng)網(wǎng)絡思想

LVQ神經(jīng)網(wǎng)絡[7-8]（Learning Vector Quantization）是在有“導師”狀態(tài)下對競爭層進行訓練的一種學習算法，屬于前向有監(jiān)督神經(jīng)網(wǎng)絡類型，在模式識別和優(yōu)化領域有著廣泛的應用。LVQ神經(jīng)網(wǎng)絡由三層組成，即輸入層、隱含層和輸出層，網(wǎng)絡在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個輸出層神經(jīng)元與隱含層神經(jīng)元的不同組相連接。隱含層和輸出層神經(jīng)元之間的連接權值固定為1。在網(wǎng)絡訓練過程中，這些權值被修改。隱含層神經(jīng)元和輸出神經(jīng)元都具有二進制輸出值。當某個輸入模式被送至網(wǎng)絡時，參考矢量最接近輸入模式的隱含神經(jīng)元因獲得激發(fā)而贏得競爭，因而允許它產(chǎn)生一個“1”，而其他隱含層神經(jīng)元都被迫產(chǎn)生“0”。與包含獲勝神經(jīng)元的隱含層神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，而其他輸出神經(jīng)元均發(fā)出“0” 。網(wǎng)絡結構如圖1：

1.2.2 網(wǎng)絡創(chuàng)建及測試

在Matlab R2012b的平臺上進行預測。建立一個3層的向量量化神經(jīng)網(wǎng)絡函數(shù)，隱含層神經(jīng)元首次嘗試設置為15個，學習速率設置為默認值0.01，權值學習函數(shù)也設置為默認函數(shù)：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。

利用LVQ神經(jīng)網(wǎng)絡算法開始模型訓練，訓練結束后將會生成相應的神經(jīng)網(wǎng)絡，再通過相關驗證數(shù)據(jù)的輸入將計算出的預測值與期望輸出進行比較分析，得出相關的結論。40組數(shù)據(jù)作為測試集進行10次預測，測試結果如表1：

經(jīng)計算，當隱含層神經(jīng)元為15個時，正常、異常黃瓜的平均確診率分別為91.508%、91.05%，平均確診率高達90%，此設定準確率較高。經(jīng)過多次運行，運行時間數(shù)量級皆為1級。表明LVQ神經(jīng)網(wǎng)絡用于模式識別是有效的，在黃瓜黑星病的預警中具有很大的參考價值和指導意義。

1.2.3 隱含層神經(jīng)元個數(shù)優(yōu)化

在LVQ神經(jīng)網(wǎng)絡算法基礎上，為了得到可靠穩(wěn)定的模型，提高正確率，可使用帶有交叉驗證功能的LVQ神經(jīng)網(wǎng)絡程序進行預測。此功能可確定最佳的隱含層神經(jīng)元個數(shù)。常見的交叉驗證形式之一為K-fold cross-validation。K次交叉驗證，初始采樣分割成K個子樣本，一個單獨的子樣本被保留作為驗證模型的數(shù)據(jù)，其他K-1個樣本用來訓練。交叉驗證重復K次，每個子樣本驗證一次，平均K次的結果或者使用其他結合方式，最終得到一個單一估測。這個方法的優(yōu)勢在于，同時重復運用隨機產(chǎn)生的子樣本進行訓練和驗證，每次的結果驗證一次。在此采用常用的5折交叉驗證法進行訓練。

每一次網(wǎng)絡的訓練都會產(chǎn)生不同的最佳隱含層神經(jīng)元個數(shù)，這是由于每次訓練集和測試集是由計算機隨機產(chǎn)生，且每次訓練過程都不相同造成的。經(jīng)過多次實驗，發(fā)現(xiàn)隱含層神經(jīng)元個數(shù)在11～20范圍內(nèi)較為適宜。運行一次帶有交叉驗證功能的LVQ算法程序需要的時間數(shù)量級是3級。運行時間較長，但在確診率上沒有明顯的改善。因此，帶有交叉驗證功能的LVQ神經(jīng)網(wǎng)絡模型在確定無交叉驗證功能的LVQ神經(jīng)網(wǎng)絡模型隱含層神經(jīng)元個數(shù)范圍方面起重要的借鑒作用，但由于其所需預測時間較長，不適用于實際預測的應用。

1.3 BP神經(jīng)網(wǎng)絡預警模型

構建基于BP神經(jīng)網(wǎng)絡的黃瓜黑星病靜態(tài)預警模型，調(diào)整網(wǎng)絡參數(shù)進行仿真訓練，并分析模型的適用性。

1.3.1 BP神經(jīng)網(wǎng)絡思想

BP神經(jīng)網(wǎng)絡[8-10] （Back Propagation）是一種采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡，其主要特點是信息正向傳播，誤差反向傳播。在傳遞過程中，輸入信號經(jīng)過輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據(jù)預測誤差調(diào)整權值和閾值，使BP神經(jīng)網(wǎng)絡的輸出不斷逼近預測輸出值。網(wǎng)絡結構如圖2：

1.3.2 網(wǎng)絡創(chuàng)建及測試

同樣在matlab R2012b的平臺上進行預測。在該三層網(wǎng)絡中，第一層傳遞函數(shù)默認為‘tansig’， 第二層傳遞函數(shù)設置為‘purelin’，訓練函數(shù)設置為‘trainlm'，隱含層神經(jīng)元個數(shù)設置為10個，輸出層神經(jīng)元為1個。創(chuàng)建該網(wǎng)絡，進行訓練，仿真并測試返回結果。相關程序為：

net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）

T_sim（i）=1；

else

T_sim（i）=2；

end

end

對于多層前饋網(wǎng)絡來說，隱層節(jié)點數(shù)的確定是成敗的關鍵。若數(shù)量太少，則網(wǎng)絡所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓練時間，更重要的是隱層節(jié)點過多還可能出現(xiàn)所謂“過渡吻合”問題，即測試誤差增大導致泛化能力下降，因此合理選擇隱層節(jié)點數(shù)非常重要。關于隱層數(shù)及其節(jié)點數(shù)的選擇比較復雜，一般原則是：在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節(jié)點數(shù)，以使網(wǎng)絡結構盡量簡單。隱含層神經(jīng)元個數(shù)選擇是一個較為復雜的問題，往往需要設計者多次試驗來決定，因而不存在一個理想的解析式來表示。確定隱含層神經(jīng)元個數(shù)方法可參考公式[n2=log2n1]和[n2=2×n1+1]（是輸入層神經(jīng)元數(shù)，是隱含層神經(jīng)元數(shù)）[11]。對黃瓜黑星病預測實驗而言，=3，則網(wǎng)絡訓練需要從隱含層神經(jīng)元個數(shù)為=1訓練到個數(shù)為=7。理論上最佳隱含層神經(jīng)元個數(shù)在1～7個左右，但仍需要多次測試來確定。適當增加隱含層神經(jīng)元個數(shù)可以減少訓練誤差。經(jīng)驗證，當隱含層神經(jīng)元個數(shù)設為7時，進行10次預測，模型測試確診率較高。如此既保證正確率，又能較節(jié)省時間。預測結果如表2：

如表2，經(jīng)計算，在10次預測中，正常黃瓜平均確診率為91.511%，異常黃瓜平均確診率為94.542%。運行時間數(shù)量級為0級，速度更快。經(jīng)多次運行、測試總結可得，BP神經(jīng)網(wǎng)絡模型在準確率上不次于LVQ神經(jīng)網(wǎng)絡模型，在時間上也遠快于LVQ神經(jīng)網(wǎng)絡模型。由此看出，BP神經(jīng)網(wǎng)絡算法在黃瓜黑星病的預測過程中，效果更好，參考價值更高。

1.4 兩種模型比較分析

算法，是預測黃瓜黑星病的核心。在評價哪種算法更適用于黑星病的預警時，應兼顧時間、空復雜度和確診率。這兩種模型空間復雜度基本相同。相比空間需求，實際操作中，我們更關注程序運行的時間和確診率。兩種神經(jīng)網(wǎng)絡算法在訓練預測過程中各有利弊，但預測結果的準確性都高達90%左右。因此，時間開銷便成了兩種模型適用性的最重要因素。分別運行兩種模型20次，得到程序運行的時間開銷折線圖如圖3。由圖3可知，運用BP神經(jīng)網(wǎng)絡可快速得到預測結果，在實際運用過程中實時性更突出。

2 總結

本文研究發(fā)現(xiàn)兩種模型均可用于黃瓜黑星病的預警，模型預測的準確率相差無幾高達90%左右。這進一步表明了數(shù)據(jù)的準確性、指標建立的合理性和模型建立的可行性。也證明把預警應用于設施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設施環(huán)境條件與病害的關聯(lián)關系這一構想的合理性和可操作性。

若結合結果的準確率和時間開銷，BP神經(jīng)網(wǎng)絡模型在實際的黃瓜黑星病及其他病害的預測過程中比LVQ神經(jīng)網(wǎng)絡模型更勝一籌，具有更高的時效性。

參考文獻：

[1] 霍松濤.旅游目的地旅游預警系統(tǒng)研究[D].開封：河南大學，2006.

[2] 邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：電子工業(yè)出版社，2003.

[3] 王生榮，楊升炯.黃瓜黑星病菌生物學特性及流行規(guī)律研究[J].甘肅科學學報，1999，11（3）：83-86.

[4] 易齊，王蔚，王傳英，等.黃瓜黑星病及其蔓延為害現(xiàn)狀[J].植物保護，1987，13（6）：40-41.

[5] 許勇，朱其杰.黃瓜黑星病抗病性離體子葉接種鑒定方法[J].北京農(nóng)業(yè)大學學報，1994（1）：31-34.

[6] 朱建蘭，陳秀蓉.黃瓜品種對黑星病的抗性鑒定結果[J].甘肅農(nóng)業(yè)科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神經(jīng)網(wǎng)絡的手寫字母識別[J].吉首大學學報，2010，31（2）：41-43.

[8] 史忠植.神經(jīng)網(wǎng)絡[M].北京： 高等教育出版社，2009.

[9] 王文劍.BP神經(jīng)網(wǎng)絡模型的優(yōu)化[J].計算機工程與設計，2000，21（6）：8-10.

神經(jīng)網(wǎng)絡的復雜度范文第3篇

摘要目前，神經(jīng)計算及其應用已經(jīng)滲透到多個學科，并在信號處理、智能控制、模式識別、機器視覺、非線性優(yōu)化、自動目標識別、知識處理、遙感技術等領域取得了豐碩的成果。神經(jīng)計算不僅是科學家的興趣所在，還受到了各國政府和軍隊等權力部門的密切關注，世界上許多國家和地區(qū)的政府及工業(yè)界都十分關注并積極投資神經(jīng)計算技術的研究，其進展不僅將促進科學和技術的進步，還會對各國的國力產(chǎn)生一定的影響。

本文針對神經(jīng)計算中亟需解決的5個問題進行了研究，包括加快神經(jīng)網(wǎng)絡的學習速度、增強神經(jīng)網(wǎng)絡的可理解性、設計出易于使用的工程化神經(jīng)計算方法、更好地模擬生物神經(jīng)系統(tǒng)以及將神經(jīng)計算與傳統(tǒng)人工智能技術相結合。本文的創(chuàng)造性研究成果主要有：

(1)提出了一個快速神經(jīng)分類器FAC和一個快速神經(jīng)回歸估計器FANRE，實驗結果表明，這兩個算法學習速度快、歸納能力強，在性能上明顯優(yōu)于目前常用的一些神經(jīng)網(wǎng)絡分類學習算法和回歸估計算法。在此基礎上，成功地將FAC應用于石油勘探巖性識別領域。

(2)提出了一個神經(jīng)網(wǎng)絡規(guī)則抽取算法STARE，實驗結果表明，STARE可以從訓練好的神經(jīng)網(wǎng)絡中抽取出保真度高、精確、簡潔的符號規(guī)則，從而較好地增強神經(jīng)網(wǎng)絡的可理解性。在此基礎上，提出了一個基于神經(jīng)計算的分類規(guī)則挖掘框架NEUCRUM，并成功地將其應用于臺風預報領域。

(3)提出了一種基于遺傳算法的選擇性神經(jīng)網(wǎng)絡集成方法GASEN，實驗結果表明，GASEN的性能優(yōu)于目前常用的一些方法。設計了一種多視角神經(jīng)網(wǎng)絡集成方法VS，將神經(jīng)網(wǎng)絡集成應用于多視角人臉識別，不需進行偏轉(zhuǎn)角度預估計就能取得很高的識別精度。設計了一種新型結論組合方法和一種二級集成結構，將神經(jīng)網(wǎng)絡集成應用于肺癌細胞識別，并嵌入到肺癌早期診斷系統(tǒng)LCDS中，大大降低了肺癌細胞的漏識率。

(4)針對前饋網(wǎng)絡的單點斷路故障，提出了一種基于遺傳算法的進化容錯神經(jīng)網(wǎng)絡方法EFANET，實驗結果表明，該方法不僅可以進化出容錯性好、泛化能力強的網(wǎng)絡，還較好地保持了網(wǎng)絡結構、訓練算法與容錯處理的獨立性。針對前饋網(wǎng)絡的多點斷路故障，提出了一種三階段方法T3，并將其應用于FAC網(wǎng)絡，實驗結果表明，T3方法可以較好地在網(wǎng)絡容錯能力與結構復雜度之間達成折衷。

(5)提出了一種結合決策樹與前饋神經(jīng)網(wǎng)絡的混合決策樹方法HDT，描述了樹的生長算法和神經(jīng)處理機制。對增量學習和構造性歸納進行了研究，界定了三種不同的增量學習問題的概念，并給出了HDT的增量學習和構造性歸納算法。實驗結果表明，HDT及其增量學習、構造性歸納算法都具有很好的性能。此外，還成功地將HDT應用于情報軟件故障診斷。

關鍵詞：神經(jīng)計算，神經(jīng)網(wǎng)絡，機器學習，快速學習，規(guī)則抽取，集成，容錯神經(jīng)網(wǎng)絡，混合學習，增量學習，構造性歸納，決策樹，知識獲取，數(shù)據(jù)挖掘，遺傳算法，進化計算，斷路故障，人臉識別，計算機輔助醫(yī)療診斷，巖性識別，故障診斷

ContributiotoSeveralIuesofNeuralComputing

Neuralcomputinganditsalicatiohavealreadycomeintomanydisciplinesandachievedplentifulfruitsindiversifiedfields,includingsignalproceing,intelligentcontrolling,patternrecognition,machinevision,nonlinearoptimization,automatictargetidentification,knowledgeproceing,remoteseing,etc.Ithasbecomenotonlythetastesofscientistsbutalsotheinterestsofgovernmentsandforces.Thegovernmentsandindustrialcommunitiesofmanycountries/regioaresokeenonneuralcomputingtechniquesthattheyhaveinvestedalargeamountofmoneyoncorreondingresearch.Thereforetheprogreofneuralcomputingwillnotonlypromotethedevelopmentofscienceandtechnologybutalsoinfluencethenationalpowers.

Inthisdiertation,5problemsstandinginneedofsolutioareinvestigated,whichincludesexpeditingthelearningeedofneuralnetworks,improvingthecompreheibilityofneuralnetworks,designingengineeringneuralcomputingmethodsthatareeasytouse,simulatingbiologicalneuralsystemsmorebetterthanever,andcombiningneuralcomputingwithtraditionalartificialintelligencetechniques.Themaincontributioofthisdiertationaresummarizedasfollows:

Firstly,afastneuralclaifiernamedFACandafastneuralregreionestimatornamedFANREareproposed.Experimentalresultsshowthatthosetwoalgorithmsthathavefastlearningabilityandstronggeneralizationabilityreectivelyoutperformsomeprevailingneuralclaificationalgorithmsandneuralregreionestimationalgorithmsatpresent.Besides,FACissuccefullyaliedinlithologyidentificationofoilexploration.

Secondly,aneuralnetworkruleextractionalgorithmnamedSTAREisproposed.ExperimentalresultsshowthatSTAREcanextractaccurateandcompactsymbolicrulesthathavehighfidelity,sothatthecompreheibilityoftrainedneuralnetworksareimproved.Additionally,aneuralcomputingbasedclaificationrulemi ningframeworknamedNEUCRUMisproposedandsuccefullyaliedtotyphoonforecastingdomain.

Thirdly,ageneticalgorithmbasedselectiveneuralnetworkeemblearoachnamedGASENisproposed.ExperimentalresultsshowthatGASENoutperformspopulareemblearoachesatpresent.Then,aviewecificeemblearoachnamedVSisdevelopedtoalyneuralnetworkeembletoviewinvariantfacerecognition,whichhastheabilityofperforminghighqualityrecognitionwithoutviewpre-estimation.Moreover,bothanoveloutput-combiningmethodandauniquetwo-layer-eemblearchitecturearedesigned,sothatneuralnetworkeembleisembeddedinthelungcancerearlystagediagnosissystemLCDStoperformlungcancercellidentification,whichgreatlylowerstherateofmiedidentificationoflungcancercells.

Fourthly,ageneticalgorithmbasedaroachnamedEFANETthatevolvesfault-tolerantneuralnetworksforsingle-nodeopenfaultisproposed.ExperimentalresultsshowthatEFANETcanevolveneuralnetworkswithbothrobustfault-tolerantabilityandstronggeneralizationabilitywhilekeepingtheindependenceamongnetworktopology,trainingalgorithm,andfault-tolerantproceing.Besides,athree-phrasearoachnamedT3isproposedformulti-nodeopenfault,whichhasbeenaliedtoFAC.ExperimentalresultsshowthatT3cantradeoffthefault-tolerantabilityandstructuralcomplexityoftheneuralnetwork.

神經(jīng)網(wǎng)絡的復雜度范文第4篇

關鍵詞：MIS智能入侵檢測；特征規(guī)則；模糊聚類

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)24-1267-02

MIS Intelligent Intrusion Detection Technology Based on the Clustering Method

ZHANG Dong-liang, XIA Zhong-hua

(Qinghuangdao Institute of Technology,Qinhuangdao 066100,China)

Abstract: In this paper, there is a brief introduction to the MIS intelligent intrusion detection technologyby usingneural networks, and by use of the new cluster to improve the neural network, Rules adopted by the best time of the algorithm to reduce complexity and simplify the neural network. To optimize the feature extraction rules, improving the efficiency of the intrusion detection and intelligence.

Key words: MIS intelligent intrusion detection;characteristics of rules;fuzzy cluster

1 引言

入侵檢測（Intrusion Detection，ID）是指通過對行為、安全日志或?qū)徲嫈?shù)據(jù)或其它可以獲得的信息進行操作，檢測到對系統(tǒng)的闖入或闖入的企圖[1]。它通過對計算機系統(tǒng)或網(wǎng)絡計算機系統(tǒng)中的若干 關鍵點收集信息并對其進行分析，從中發(fā)現(xiàn)系統(tǒng)或網(wǎng)絡中是否有違反安全策略的行為和被攻擊的跡象。

現(xiàn)有的入侵檢測系統(tǒng)多數(shù)采用概率統(tǒng)計、專家系統(tǒng)、神經(jīng)網(wǎng)絡等智能化方法來實現(xiàn)系統(tǒng)的檢測機制。其中，神經(jīng)網(wǎng)絡方法可以利用大量實例通過訓練 的方法構造正常行為模型，能夠有效預測未知的攻擊，并且它有自適應、自學習、自組織、并行性等優(yōu)點，在攻擊類型上，則對非授權獲得超級用戶權限和遠程到本 地的非授權訪問的檢測效果顯著[2]。

本文使用新的聚類方法來改善神經(jīng)網(wǎng)絡，通過得到最佳的規(guī)則數(shù)來降低算法時間復雜度，簡化神經(jīng)網(wǎng)絡，使之進行有效的數(shù)據(jù)提取和學習，提高入侵檢測的效率和智能性。

2 MIS智能入侵檢測技術

MIS智能入侵檢測主要由四個主要模塊組成：

1) 數(shù)據(jù)采集：主要由SQLServer跟蹤日志給出，相當于事件產(chǎn)生器；2) 檢測單元：主要由神經(jīng)網(wǎng)絡訓練出一個相對穩(wěn)定的正常模型，用于檢測異常調(diào)用，相當于事件分析器[3]；3) 特征數(shù)據(jù)庫：主要利用誤用檢測的特點，實現(xiàn)快速檢測各種已知的異常調(diào)用，并直接反饋倒報警單元，相當于事件數(shù)據(jù)庫，其征數(shù)據(jù)庫與被監(jiān)控數(shù)據(jù)庫分離存儲；4) 報警單元：主要是殺掉異常調(diào)用的客戶端進程，反饋給系統(tǒng)管理員并記錄到自定義日志文件，相當于響應單元。

主要流程是：首先通過采集的樣本數(shù)據(jù)經(jīng)過訓練后形成檢測單元，建立相應特征數(shù)據(jù)庫并完成日志文件初始化工作；然后實時監(jiān)測客戶端調(diào)用，將數(shù)據(jù)直接和特征數(shù)據(jù)庫進行匹配，如有匹配則送入報警單元，反之則送入檢測單元；檢測單元將數(shù)據(jù)作為輸入向量與正常模型比較，如果泛化輸出值大于期望值，則列為異常，直接送入誤用數(shù)據(jù)庫存儲，并通知報警單元，反之繼續(xù)監(jiān)測各調(diào)用。

3 基于聚類方法的智能入侵檢測

3.1 數(shù)據(jù)采集

入侵檢測的關鍵是用戶行為特征的提取。本文主要利用SQLServer的事件探察器，建立新的跟蹤文件，針對TSQL、存儲過程、安全審核、會話等事件，選取 ObjectId, LoginName, CPU, Read, Write ClientProcessId, SPID 七個數(shù)據(jù)列作為輸入向量[4]。分別表示客戶端對數(shù)據(jù)庫表、存儲過程和視圖的調(diào)用；客戶數(shù)據(jù)庫登陸名；CPU占用時間；對數(shù)據(jù)庫的讀寫操作；客戶端進程號和系統(tǒng) 分配進程號。這七種數(shù)據(jù)在對數(shù)據(jù)庫的調(diào)用過程中相對穩(wěn)定。LoginName中則主要考慮客戶端默認調(diào)用，采集到的數(shù)據(jù)都是十進制數(shù)據(jù)，不需要額外的數(shù)據(jù)預處理，符合神經(jīng)網(wǎng)絡輸入的要求。

3.2 神經(jīng)網(wǎng)絡學習

本文采用采用三層神經(jīng)網(wǎng)絡[5]：輸入單元為七個，分別對應上述七個處理向量；輸出層為一個神經(jīng)單元，輸出結果 規(guī)定在（0，1）范圍內(nèi)，用0表示為正常行為，用1表示為異常行為；隱層結點通過試驗確定為6個；權值和閾值為小的隨機數(shù)；學習率為0.1；隱含層和輸出層采用Sigmoid函數(shù)f(x)=(1+e-x)－1為激發(fā)函數(shù)，該函數(shù)具有非線性放大功能，可以把輸入從負無窮大放大到正無窮 大的信號，變換到0到1之間的輸出，可以逼近非線性輸入/輸出關系。我們將七種特征向量作為神經(jīng)網(wǎng)絡的輸入向量，訓練的結果就是確定了B網(wǎng)絡的權值，而 這些權值就存儲了行為的特征模式，將訓練后的神經(jīng)網(wǎng)絡用于實際的工作，就可以判斷是否有異常的調(diào)用，如發(fā)現(xiàn)了新的非權限異常調(diào)用，則把檢測到的模式存儲到特征數(shù)據(jù)庫。

3.3利用新的聚類方法提取最佳規(guī)則數(shù)

此文通過求解最佳聚類數(shù)來得到最佳規(guī)則數(shù)，首先通過構造一個新的判別準則來進行模糊分類,確定樣本數(shù)據(jù)的最佳分類,從而確定最佳規(guī)則數(shù)。

可以看出,聚類判別準則Vp由2部分組成,第一部分反映了同一類中的緊湊程度。第k個樣本Xk越接近模糊類中心,最大隸屬度max(uik)就越接近1。因此,對每一個樣本Xk來說,模糊集max(uik)被認為是一個好的分類指標,這個值越大,代表同一類的緊湊程度就越好。式(1)的第二部分體現(xiàn)了類與類之間的分離程度[4]。這里,用2個模糊集的交集來評價類Vi和Vj的分離程度。事實上,如果Xk接近類中心Vi,min(uik,ujk)接近于零,結果類Vi和Vj很明顯被分開。

另一方面,如果min(uik,ujk)接近于1/C,Xk屬于所有類的隸屬度相等,此時劃分的類最模糊。這個新的的判別準則Vp既考慮了同一類的緊湊程度,又考慮了類與類之間的分離程度。這樣相對于最大值Vp的聚類數(shù)C就是一個最佳聚類數(shù)[6]。

3.4 調(diào)整特征提取規(guī)則

經(jīng)過神經(jīng)網(wǎng)絡學習，得到了大量的特征提取規(guī)則，現(xiàn)在就要根據(jù)上文所得的最佳規(guī)則數(shù)來調(diào)整規(guī)則，使之達到最佳。規(guī)則的化簡是基于網(wǎng)絡權值來進行的。權值的初始值的大小代表了規(guī)則成功的概率；經(jīng)過網(wǎng)絡進行訓練以后，這個概率或被增加或被減少。概率為零表示該條規(guī)則不再存在理應被去除[7-8]。1) 主要思想是將網(wǎng)絡權值為零或很接近于零的規(guī)則視為無效的規(guī)則而被去除[9]；2) 在具有同一前件的所有規(guī)則中，將取權值最大的規(guī)則保留，而將其余的規(guī)則去除；3) 為了保持規(guī)則的一致性，在矛盾的規(guī)則中取概率最大的規(guī)則是一種良好的選擇[10]。

3.5 實驗結果

MIS系統(tǒng)在正常運行一周內(nèi)，從跟蹤文件中隨機選取了1000個樣本作為訓練樣本，500個樣本作為檢測樣本。利用聚類方法的神經(jīng)網(wǎng)絡學習得到的規(guī)則數(shù)目由原來的35個減少到23個。改進前構建的正常行為模型80%以上的能夠檢測到未知的異常操作，誤用數(shù)據(jù)庫70%的可以快速檢測得到各種已知的異常調(diào)用。改進后構建的正常行為模型90%以上的能夠檢測到未知的異常操作；而誤用數(shù)據(jù)庫則98%的可以快速檢測得到各種已知的異常調(diào)用。

由結果可以得知，本文提出的方法，有效的提取了數(shù)據(jù)和神經(jīng)網(wǎng)絡學習，提高入侵檢測的效率和智能性。

4 結論

本文介紹了神經(jīng)網(wǎng)絡實現(xiàn)的MIS智能入侵檢測技術的簡單流程，采用了新的聚類方法來改善神經(jīng)網(wǎng)絡，通過得到最佳的規(guī)則數(shù)來確定特征提取規(guī)則的界限，降低了算法時間復雜度，簡化了神經(jīng)網(wǎng)絡。從而優(yōu)化了特征提取規(guī)則，提高了入侵檢測的效率和智能性。

參考文獻：

[1] 劉美蘭,姚京松.神經(jīng)網(wǎng)絡在入侵檢測系統(tǒng)中的應用[J].計算機工程與應用,1999,(6):37-42.

[2] 撖書良,蔣嶷川,張世永.基于神經(jīng)網(wǎng)絡的高效智能入侵檢測系統(tǒng)[J].計算機工程與應用,2004,30(10):69-70.

[3] 陳瑾,羅敏,張煥國.入侵檢測技術概述[J].計算機工程與應用,2004,(2):133-136.

[4] 王士同,陳慧萍,趙躍華,等.人工智能教程[M].北京:電子工業(yè)出版社,2002

[5] Pal N R,Pal K,Keller J,et al.A Possibilistic Fuzzy c- Means Clustering Algorithm[J].IEEE Trans,Fuzzy Systems:in review,2004.

[6] Krisnapuram R,Frigui H,Nasroui O.Fuzzy and possibilistic shell clustering algorithms and their application to boundary detection and surface approximation[J].IEEE Trans,Fuzzy Systems,1995,3(1):29-60.

[7] Dave R N,Bhaswan K.Adaptive fuzzy c-shells clustering and detection of ellipses[J].IEEE Trans,on Neural Networks,1992,3(5):643-662.

[8] Timm C,Kruse R R.A modification to improve possibilistic fuzzy cluster analysis[C].Proceedings of the IEEE Int,Conf on Fuzzy Systems,Honululu,2002.

[9] 王士同.神經(jīng)模糊系統(tǒng)及其應用[M].北京:北京航空航天大學出版社,2004.

神經(jīng)網(wǎng)絡的復雜度范文第5篇

關鍵詞:預測算法;機器學習算法;人工智能;ALZ算法;ED算法;SHIP算法

中圖分類號:TP312 文獻標識碼:A文章編號:1007-9599 (2010) 09-0000-01

SmartHome Prediction Algorithm and Comparation

Huang Yingqi

(Guiyang College of Traditional Chinese Medicine,Guiyang550002,China)

Abstract:Smart Home project involving machine learning algorithm to predict,such as ALZ,ED,SHIP,were studied in a comparative study,as a prediction algorithm for its advantages and disadvantages research

Keywords:Prediction algorithm;Machine learning algorithm; Artificial intelligence;ALZ algorithm;ED algorithm;SHIP algorithm

DIANE J. COOK等人在美國完成的Smart Home項目,利用基于歷史數(shù)據(jù)的機器學習和模式匹配的SHIP算法,成功的建立了具有預測下一步行為模式能力的聰明屋。本文就項目中涉及到的幾種機器學習的預測算法進行介紹、研究與比較,對幾種自適應算法進行進一步的探討。

SmartHome的MavHome項目中使用的預測算法主要包括了三種學習算法:ALZ算法、ED算法、SHIP算法,樣本輸入數(shù)據(jù)均設計為把聰明屋內(nèi)人一天的行為活動劃分為若干個片段,不同的地點、不同的行為用不同的字母來標志和表示,例如“在主臥室中醒來”用字母“m”表示,“從主臥室走到衛(wèi)生間”用字母“a”表示等,所使用的預測下一步行為的預測算法,都基于對上述歷史行為數(shù)據(jù)的統(tǒng)計分析和學習基礎上,作出進一步的預測。

ALZ算法是項目所采用的進行預測的主要算法,根據(jù)LZ壓縮算法改編而來,MavHome中用于下一次行為預測的機器學習算法,以用概率預測下一個單獨行為為目的。用于機器學習的數(shù)據(jù)集是以小時為基本最小單位,在相等的時間片段內(nèi),利用上述方式對不同時間地點的不同行為片段用字符編碼,按時間片段順序,依次采集讀入而得。目前取得的成功之處就在于設計了一個活動的窗口,滑動窗口在數(shù)據(jù)集中逐一滑動,以控制輸入數(shù)據(jù)的方式和流量,用以在生成TRIE樹的同時進行模式匹配和概率統(tǒng)計,隨著輸入數(shù)據(jù)的增多,TRIE樹逐漸生成,樹中生成的編碼和概率用字典來存儲和表示。編碼出現(xiàn)概率的計算,根據(jù)PPM狀態(tài)預測機方式分配概率。PPM算法根據(jù)輸入數(shù)據(jù)的不同狀態(tài),即根據(jù)狀態(tài)機輸入建立馬爾卡夫模型,馬爾卡夫鏈上的數(shù)據(jù)順序?qū)谏蒚RIE樹中各層中的編碼,不同層次的編碼根據(jù)出現(xiàn)的概率不同分配不同的權值,例如輸入數(shù)據(jù)集為:“aaababbbbbaabccddcbaaaa”,生成樹中的字典編碼“aaa”,第1層的“a”共出現(xiàn)10次,第2層的“a”共出現(xiàn)5次,第3層的“a”共出現(xiàn)2次,即為a(10)a(5)a(2),而在第1層中總共出現(xiàn)了23次編碼,第1層中字符“a”的后面總共出現(xiàn)了8次編碼,第2層中字符“aa”的后面總共出現(xiàn)了3次編碼,因此如需預測下一次出現(xiàn)“a”的概率,就應為:2/5+2/5(5/10+2/10*(10/23))。ALZ算法建立trie樹的時間復雜度:對于輸入長度為n的系列,k-1層的每一個結點,其葉子結點最多有k個,如要增長到k+1層,則k層的結點數(shù)需達到k2,則有n=k(k+1)/2。程序所需的時間復雜度為:n*O(k)=n*O(n1/2)=O(n3/2)。

SHIP算法是項目中利用神經(jīng)網(wǎng)絡進行系列模式匹配的算法,主要采用神經(jīng)網(wǎng)絡算法的設計方法。根據(jù)歷史數(shù)據(jù)提煉模式,把各個行為片段生成互相有關聯(lián)的模式,并進行匹配,用于模式區(qū)分的算法。MAVHOME中此算法用數(shù)據(jù)集生成隊列,第一步,按順序生成隊列,如有新的數(shù)據(jù)入隊,及時更新隊列數(shù)據(jù),其中重要的一點是算法將時間與狀態(tài)聯(lián)系起來,組成二維數(shù)組結構,當新數(shù)據(jù)入隊時,需同時更新數(shù)據(jù)的時間和頻率;算法第二步為效仿其余的神經(jīng)網(wǎng)絡算法,設定一個門閥值,同時設定一個遞減的步進變量,在樣本數(shù)據(jù)初次生成模式后,設定權值,然后用大量檢驗數(shù)據(jù)來校正模式,利用步進變量逐步減小誤差,到達門閥值時停止。由此可以看出,SHIP與其余神經(jīng)網(wǎng)絡算法的不同點,僅在于其采取的編碼方式,和基于時間狀態(tài)的預測目的,因此筆者認為,任何一種神經(jīng)網(wǎng)絡算法,只要能用于模式匹配預測和二維編碼,均可改裝為SHIP算法。SHIP算法的時間復雜度,和神經(jīng)網(wǎng)絡的設計有關聯(lián),網(wǎng)絡的不同導致復雜度的不同,而算法的收斂度,也和網(wǎng)絡的設計和算法系數(shù)的設定有關。

ED算法是利用數(shù)據(jù)挖掘的設計方法,發(fā)現(xiàn)行為事件間的關聯(lián)并生成場景識別的模式識別算法,目的是通過關聯(lián)發(fā)現(xiàn)模式。數(shù)據(jù)挖掘的目的是于反復出現(xiàn)的大量數(shù)據(jù)集中挖掘出相匹配的時間內(nèi)具有聯(lián)系的事件,同樣采用的是時間與狀態(tài)相結合的二維數(shù)據(jù)模型。ED算法的時間復雜度也取決于所采用的數(shù)據(jù)挖掘算法的設計。

三種算法各自達到的目的不同,設計思路不同,ALZ主要針對將要發(fā)生的單獨行為進行預測,有固定的算法設計,是基于壓縮算法和機器學習算法、PPM預測的綜合算法;ED主要針對模式的匹配與識別的數(shù)據(jù)挖掘算法,側重預測和生成將要發(fā)生的系列模式;SHIP是神經(jīng)網(wǎng)絡算法,主要用于發(fā)現(xiàn)事件和事件間的關聯(lián),由一事件預測下一事件的發(fā)生。三種算法共同的特點是樣本數(shù)據(jù)規(guī)模越大,其準確率越高。對于ALZ算法,在750個實際數(shù)據(jù)測試下,預測準確率為47%;在2000個真實模擬數(shù)據(jù)中,預測準確率為86%。其余兩種算法的預測準確率和收斂度,一定程度上還取決于所采取的具體算法設計模式。

參考文獻:

[1]KARTHIK GOPALRATNAM and DIANE J. COOK,Online Sequential Prediction via Incremental Parsing:The Active LeZi Algorithm,IEEE Intelligent Systems,2007,22(1):P52-58

[2]SAJAL K.DAS等,THE ROLE OF PREDICTION ALGORITHMS IN THE MAVHOME SMART HOME ARCHITECTURE,IEEE Wireless Communications,2002,(11):P2-9