摘要：针对传统广义回归神经网络的模型结构与数据分布失配问题和模型参数难以确定问题,提出了一种参数优化旋转广义回归神经网络模型的设计方法。在传统广义回归神经网络模型的基础上,通过坐标旋转,增加了一个模型结构参数,并采用粒子群算法对旋转广义回归神经网络的模型参数寻找最优值,从而改进了广义回归神经网络模型精确度。两个工业实例的实验结果表明该方法的有效性。

摘要：正交设计利用较少的实验次数就可以找出因素间的最优搭配,支持向量机能处理小样本、具有很好的泛化能力且不受数据集维数的制约。结合二者的优势,提出了基于支持向量机和正交设计的特征选择方法,根据数据集的特征数目及相应正交表的结构,安排训练、测试,最后对优选出的特征子集检验,实验结果表明该特征选择方法能够去除冗余特征而且能取得比使用特征全集更高的分类率。

摘要：针对模式识别系统中有效特征的选择问题,采用支持向量机作为分类器,提出了基于均匀设计的特征选择方法.根据均匀设计表的结构及采用的数据集进行训练、测试,最后检验所选的特征子集.实验结果表明,该方法能够有效地去除数据集的冗余特征,取得比使用特征全集更好的分类性能.