神经网络特征精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络特征主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络特征范文

针对人工校验视频监控设备屏幕显示（OSD）效率低下、人力物力资源耗费大的问题，提出一种OSD自动校验系统，取代传统的人工校验方式。系统首先综合多种数理统计特征进行OSD定位，然后利用改进的Otsu算法进行精确字符分割并二值化，最后通过基于Gabor特征离线训练的改进型BP神经网络进行字符识别。实验结果表明，在确保92.7%识别率的前提下，该系统识别一帧OSD平均耗时53ms。

关键词：

屏幕显示校验；Gabor特征；BP神经网络；字符分割；快速二值化

0引言

随着网络多媒体技术的发展，数字视频系统在银行、交通、治安、家电、手持式设备等领域取得了广泛的应用[1-3]，屏幕显示（OnScreenDisplay， OSD）技术随之发展起来。此技术是利用在屏幕上显示特定的字或者图像来完成人机交互的过程，让使用视频的用户获得如监控的时间及位置等信息。而在视频终端设备如机顶盒、硬盘录像机（Digital Video Recorder， DVR）、网络视频率相机（Network Video Recorder， NVR）中，OSD更是以界面菜单的方式起到关键性作用[4]。

在监控系统或视频设备使用之前，要花费很大的人力物力对OSD的正确性进行校验。由于OSD在图像中的位置随机，背景复杂程度各异，很难采用传统的程序化方式进行校验。目前普遍采用人工校验的方式，但这样校验耗时耗力，而且很难实现OSD字符集的遍历校验。一旦校验疏忽，投产的视频设备出现OSD错误，会对产品信誉造成极大的负面效应，带来严重的经济损失。

目前国内外已公布OSD识别方面相关的研究成果很少。关于字体识别，文献中采用的Gabor特征是一种能够良好反映字形特征的处理方法[5-7]，近年来为很多识别系统所采用。通过分析多种OSD原理，本文提出了一种基于Gabor特征与改进型BP神经网络的OSD自动校验系统，以取代传统的人工校验方式。目前已经作为OSD自动校验的一套解决方案，为国内某视频监控公司实际使用。

5结语

本文提出了一种基于Gabor特征与改进型BP神经网络的OSD自动校验系统，在局部强光照、噪点、花纹等较为恶劣的背景干扰下，所采用多数理统计特征定位方法有效，仅作垂直边缘检测能够更加精确地进行字符分割，改进的Otsu二值化算法大幅度提高了二值化的处理速度，Gabor特征与BP神经网络识别算法比传统算法识别率高，实验结果表明在识别率达到92.7%时，平均识别一帧耗时53ms。

参考文献：

[1]

桂丹. 高速公路视频监控系统及OSD的设计与实现[D]. 武汉：武汉理工大学，2010.

[2]

白杨. 基于Nios Ⅱ的红外热像仪OSD显示与功能实现[D]. 南京：南京理工大学，2010.

[3]

费莉梅. 网络视频录像机OSD子系统软件设计[D]. 杭州：浙江大学，2012.

[4]

任，邱军，顾成成. 基于Linux平台的实时视频OSD设计与实现[J]. 计算机应用与软件，2010，27（10）：185-187.

[5]

戴维. 基于Gabor特征与SVM的汉字识别系统研究与实现[D]. 上海： 上海交通大学，2008.

[6]

赵英男. Gabor滤波器在车辆检测和车型识别中的应用研究[D]. 南京： 南京理工大学，2004.

[7]

邓洪波. 基于Gabor特征的人脸表情识别和手写体汉字识别[D]. 广州：华南理工大学，2006

[8]

曾德瑞，普玉伟，杨明武. 数字视频ASIC 中OSD 系统的实现[J].器件与应用，2011，35（23）：36-39.

[9]

黄燕群，李利品，王爽英. 基于FPGA的OSD设计[J]. 液晶与显示，2010，25（3）：429-433.

[10]

林国政，沈小林. 基于ARM的嵌入式视频监控系统设计[J]. 电子测试，2011（3）：55-59.

[11]

郑世程，于忠臣. 基于BES7456芯片的OSD的应用平台设计[J].单片机与嵌入式系统应用，2011，11（6）：35-37.

[12]

黄益贵，王汝传. 基于DM6446的P2P机顶盒OSD研究与实现[J].计算机技术与发展，2010，20（4）：220-223.

[13]

江维，罗才华. 高清数字电视机顶盒3D OSD 显示框架的设计与实现[J]. 有线电视技术，2012（1）：72-75.

[14]

张引. 基于空间分布的最大类间方差牌照图像二值化算法[J]. 浙江大学学报：工学版，2001，35（3）：272-275.

[15]

HUANG L L， SHIMIZU A， KOBATAKE H. Classificationbased face detection using Gabor filter features[C]// Proceedings of Sixth IEEE International Conference on Automatic Face and Gesture Recognition. Washington， DC： IEEE Computer Society， 2004：397-402.

[16]

FASEL I R， BARTLETT M S， MOVELLAN J R. A comparison of Gabor filter methods for automatic detection of facial landmarks[C]// Proceedings of Fifth IEEE International Conference on Automatic Face and Gesture Recognition. Washington， DC： IEEE Computer Society， 2002：231-235.

第2篇：神经网络特征范文

关键词：车牌字符；BP人工神经网络；图像识别；模式识别

引言

近年来，神经网络的智能化特征与能力使其应用领域日益扩大，潜力日趋明显。许多用传统信息处理方法无法解决的问题采用神经网络后取得了良好的效果。其中，神经网络在车牌字符识别中的应用效果尤为明显。目前，车牌字符识别主要采用两种方法，即模式匹配法和神经网络法。由于神经网络模式识别方法能够实现基于计算理论层次上的模式识别理论所无法完成的模式信息处理工作，这种方法是选用适当的字符图像特征提取方法，然后使用训练样本训练网络并构建一个识别网络作为分类器。所以，相信未来一段时期内神经网络在车牌字符识别领域中的应用还会是趋于主导地位。

1 人工神经网络简介

人工神经网络来提取特征向量，把字符平均分成8份，统计每一份内黑色像素点的个数作为8个特征, 即分别统计这8个区域中的黑色像素点的数目，可以得到8个特征。然后统计水平方向中间两列和竖直方向中间两列的黑色像素点的个数作为4个特征，最后统计所有黑色像素点的个数作为第13个特征。如下图所示:

                         

 图3 13特征提取法

第3篇：神经网络特征范文

关键词：粒子群 径向基 神经网络 语音识别

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2013）04-0109-02

近年来，语音识别作为一种便捷的人机交互方式被大量研究，并在日常生活中得到广泛应用。大体上讲，语音识别就是在给定的语料库中找出与待识别词语相同的语料，其识别方法的选择对识别效果至关重要。语音识别的方法主要有3种：基于语音特征和声道模型的方法、模板匹配的方法和人工神经网络[1]。第1种方法出现较早，但由于其模型过于复杂，并未得到实际应用。第2种方法较为成熟，主要通过动态时间规整（DTW）、隐马尔可夫模型（HMM）和矢量量化（VQ）技术实现[2]。第3种方法充分利用人工神经网络较强的分类能力和输入——输出映射能力，非常适合解决语音识别这类难以用算法描述而又有大量样本可供学习的问题[3]。

因此，本文将智能领域广泛使用的RBF神经网络运用到语音识别中，针对RBF神经网络隐层基函数的中心值和宽度随机确定的缺陷，运用具有全局寻优能力的粒子群算法（PSO）进行优化，来提高网络的泛化能力和收敛速度，从而提高识别率。实验结果表明，粒子群优化的RBF神经网络用于语音识别，能够显著提升识别性能。

1 粒子群优化RBF神经网络

1.1 RBF神经网络

1.2 粒子群优化RBF网络算法

因此，RBF神经网络隐层基函数中心值和宽度的优化过程就是PSO算法依据输入样本进行聚类的过程，其基本流程为：

（1）参数初始化，包括粒子速度、位置，个体最优位置和全局最优位置；

（2）据（5）式计算惯性权重；

（3）据（3）（4）式更新粒子的速度和位置；

（4）据（6）式计算各粒子适应度值，并更新个体最优位置和全局最优位置；

（5）用全局最优粒子代替本次迭代适应度差的粒子；

（6）反复迭代，直到最大迭代次数则停止，得聚类中心。

2 PSO优化RBF语音识别系统

语音识别过程主要包括信号预处理、特征提取、网络训练及识别[6]。预处理主要对语音进行分帧、预加重和加窗处理。特征提取用于提取语音中反映声学特征的相关参数，本文采用的是过零峰值幅度（ZCPA）。网络训练是在识别之前从语音样本中去除冗余信息，提取关键参数，再按照一定规则对数据加以聚类，形成模式库。网络识别是通过已训练好的网络，计算测试样本数据与模式库之间的相似度，判断出输入语音所属的类别。粒子群优化RBF神经网络的语音识别系统原理框图如图1所示。

PSO优化RBF神经网络进行语音识别的实验步骤如下：

第1步：提取特征。

首先对用于训练和识别的各种信噪比的语音文件进行ZCPA特征提取。语音信号的采样频率为11.025kHz，每帧为256个采样点，经过时间和幅度归一化处理后，得到256维特征矢量序列。

第2步：网络训练。

网络训练的过程就是调整RBF神经网络基函数的中心和宽度以及隐层到输出层之间的连接权值。实验中，类别数为待识别的词汇数，如对10个词进行识别，则隐层节点数、输出层节点数和聚类中心均为10，如对20个词进行识别，则隐层节点数、输出层节点数和聚类中心均为20，以此类推，本文对10词、20词、30词和40词分别进行训练识别。利用PSO优化算法通过聚类获取隐层基函数的中心值和宽度，网络输出权值使用伪逆法得到。在PSO算法中，种群大小为20，最大进化迭代次数为40。

第3步：网络识别。

RBF神经网络训练好后，将测试集中的样本输入网络进行识别测试。每输入一个单词的特征矢量，经过隐层、输出层的计算后可得一个单词分类号，将这个分类号与输入词自带的分类号进行对比，相等则认为识别正确，反之，识别错误。最后将识别正确的个数与所有待识别单词数的比值作为最终的识别率。

3 实验仿真分析

本文运用matlab在PC机上仿真实现了PSO优化RBF神经网络的孤立词语音识别系统，选用在不同高斯白噪声条件下（包含15dB、20dB、25dB和无噪声），18个人分别录制40词各三次，形成实验语音数据，实验时选其中10人的10词、20词、30词、40词语音数据分别作为训练样本，另外8个人对应的10词、20词、30词、40词语音数据分别作为测试样本进行实验，得到了不同噪声和词汇量下的粒子群优化RBF神经网络的语音识别结果。

表1所示为在不同词汇量和不同SNR下，分别基于PSO优化RBF神经网络和标准RBF神经网络采用ZCPA语音特征参数的语音识别结果。由表中识别率的变化可知，基于PSO优化的RBF神经网络的识别率在不同词汇量和不同信噪比下都比标准RBF神经网络的高，正确识别出的词汇量明显增多，这充分证明改进后的RBF神经网络具有自适应性和强大的分类能力，缩短网络训练时间的同时，提高了系统的识别性能，尤其在大词汇量的语音识别中表现出更加明显的优势。

4 结语

本文采用粒子群优化算法来聚类RBF神经网络隐层基函数中心值和宽度，并将PSO改进的RBF神经网络用于语音识别中。通过仿真实验，得出了其与标准RBF神经网络在不同词汇量和不同SNR下的语音识别结果。通过分析比较，证明了PSO优化后的RBF神经网络有较高的识别率，且训练时间明显缩短，表明神经网络方法非常适宜求解语音识别这类模式分类问题。

参考文献

[1]Edmondo Trentin， Marco Gori. A survey of hybrid ANN/HMM models for automatic speech recognition[J].Neurocomputing，2001，（37）：91-126.

[2]王凯.免疫粒子群改进LBG的孤立词语音识别算法研究[J].数字技术与应用，2013，（1）：111-113.

[3]夏妍妍，黄健，尹丽华.基于径向基函数神经网络的语音识别[J].大连海事大学学报，2007，（S1）：157-159.

[4]孟艳，潘宏侠.PSO聚类和梯度算法结合的RBF神经网络优化[J].自动化仪表，2011，（02）：6-8.

第4篇：神经网络特征范文

［关键词］BP神经网络农业工程农业管理农业决策

一、引言

采用神经网络算法的信息处理技术，以其较强的计算性和学习性，现如今已经在各工程领域内得到了广泛应用。随着科技不断的发展和研究的不断深入，农业系统中采用的传统分析和管理的方法已经不能满足农业工程领域快速发展的需要。在农业系统中采用神经网络技术可在一定程度上可弥补传统方法的不足，现已成为实现农业现代化的一个重要途径。神经网络现已在农业生产的各个环节得到广泛的应用，从作物营养控制、作物疾病诊断、产量预测到产品分级，显示了巨大的潜力，并正以很快的速度与生产实际相结合。目前应用比较多的BP神经网络，可通过学习以任意精度逼近任何连续映射，在农业生产与科研中展示出了广阔的应用前景。

BP人工神经网络方法。人工神经网络是对生物神经网络的简化和模拟的一种信息处理系统，具有很强的信息存贮能力和计算能力，属于一种非经典的数值算法。通常可分为前向神经网络、反馈神经网络和自组织映射神经网络。BP神经网络(Backpropugation Neura1 Network)是一种单向传播的多层前向神经网络，可通过连续不断的在相对于误差函数斜率下降的方向上计算网络权值以及偏差的变化而逐渐逼近目标值，每一次数字和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层，从而实现了神经网络的学习过程。BP人工神经网络的结构如图所示，BP神经网络可分为输入层、中间层(隐含层)和输出层，其中输入和输出都只有一层，中间层可有一层或多层。同层的网络结点之间没有连接。每个网络结点表示一个神经元，其传递函数通常采用Sigmoid型函数。BP神经网络相当于从输入到输出的高度非线性映射，对于样本输入和输出，可以认为存在某一映射函数g，使得y0=g(xi)，i＝1，2，3，…，m，其中m为样本数，xi为输入样本，yo为输出结果。

BP神经网络的一个显著优点就是其可进行自学习，能够通过训练得到预期的效果。其学习过程由正向传播和反向传播组成，神经网络的输入值经过非线性变换从输入层经隐含层神经元的逐层处理传向输出层，此为正向传播过程。每一层神经元的状态将影响到下一层神经元状态。如果输出层得到的数值与期望输出有一定的偏差，则转入反向传播过程。神经网络通过对输入值和希望的输出值(教师值)进行比较，根据两者之间的差的函数来调整神经网络的各层的连接权值和各个神经元的阈值，最终使误差函数达到最小。其调整的过程是由后向前进行的，称为误差反向传播BP算法。具体学习过程如下：

（1)随机给各个权值赋一个初始权值，要求各个权值互不相等，且均为较小的非零数。

（2)输入样本集中每一个样本值，确定相应的网络实际输出值。

（3)计算实际的输出值与相应的样本集中的相应输出值的差值。

（4)按极小误差方式调整权值矩阵。

（5)判断网络误差是否小于训练前人为设定的一个较小的值，若小于，则跳出运算，此时的结果为神经网络的最终训练结果；若大于，则继续计算。

（6）判断最大迭代次数是否大于预先设定的数，若小于，返回（2）;若大于，则中止运算，其结果为神经网络的最终训练结果。

上述的计算过程循环进行，直到完成给定的训练次数或达到设定的误差终止值。

二、BP神经网络在农业工程领域中的应用

1.在农业生产管理与农业决策中的应用

农业生产管理受地域、环境、季节等影响较大，用产生式规则完整描述实际系统，可能会因组合规则过多而无法实现。神经网络的一个显著的优点就是其具有较强的自学习、自适应、自组织能力，通过对有代表性的样本的学习可以掌握学习对象的内在规律，从而可以在一定程度上克服上述信息量大的问题。神经网络在农业生产管理方面可用于农作物生长过程中对农作物生长需求进行预测，从而通过对养分、水分、温度、以及PH值的优化控制达到最优的生长状况。采用神经网络预测算法的主要思想可描述为：（1）收集一定规模的样本集，采用BP算法进行训练，使网络收敛到预定的精度；（2）将网络权值矩阵保存到一存储介质中，例如文本文件或数据库中；（3）对于待预测数据的输入部分，从存储介质中读出网络连接权值矩阵，然后通过BP神经网络的前向传播算法计算网络输出，输出结果既是预测出来的数值向量。如霍再林等针对油葵不同阶段的相对土壤含盐浓度对其产量的影响有一定的规律的现象，以油葵的6个成长阶段的土壤溶液含盐的相对浓度为输入样本，相对产量为输出样本，通过比较发现，训练后的神经网络能较好预测油葵产量，采用此方法可补充传统模型的不足，为今后进一步的研究开辟了新路。

在农业决策方面，主要将农业专家面对各种问题时所采取的方法的经验，作为神经网络的学习样本，从而采用神经网络建立的专家系统将从一定程度上弥补了传统方法的不足，将农业决策智能化。如何勇、宋海燕针对传统专家系统自学习能力差的缺点，利用神经网络可自我训练的优点，将神经网络引入专家系统中。将小麦缺素时的田间宏观表现，叶部、茎部、果实症状及引起缺素的原因这五个方面的可信度值作为神经网络的输入量，将农业专家诊断的结论作为输出量，将这些数据作为神经网络的训练数据。实际应用表明此系统自动诊断的结果与专家现场诊断的结果基本一致，从而采用该系统能够取代专家，实现作物的自我诊断，为农业管理方面提供了极大的帮助。如马成林等针对于传统施肥决策方法中非线性关系描述不足的问题，基于数据包分析和BP神经网络，建立了施肥决策模型，应用表明，在有限的范围内，模型预测结果较为合理，可以反映玉米的需肥特性。刘铖等人提出采用神经网络应用在农业生产决策中，以莜麦播种方式决策为例，通过对产生式规则的分析导出神经网络输入、输出单元数，并通过多次试验确定隐层单元数，用MATLAB方针结果表明，采用神经网络作为农业生产决策的方法，取得了较好的效果。谭宗琨提出将基于互联网环境下的神经网络应用在玉米智能农业专家系统中，根据农作物发育进程分成若干个发育期，分别对各个发育期建立管理模型，依照作物各发育期进程时间间隔，由计算机系统自动选取相应的模型进行决策。应用分析的结果表明采用神经网络的玉米智能专家系统已初步接近农业生产的实际。

2.在农产品外观分析和品质评判

农产品的外观，如形状、大小、色泽等在生产过程中是不断变化的，并且受人为和自然等复杂因素的影响较大。农产品的外观直接影响到农产品的销售，研究出农作物外观受人为和自然的影响因素，通过神经网络进行生产预测，可解决农产品由于不良外观而造成的损失。如Murase 等针对西红柿表皮破裂的现象，西红柿表皮应力的增长与西红柿果肉靠近表皮部分水分的增加有关，当表皮应力超过最大表皮强度时，将导致表皮破裂。用人工神经网络系统，预测在环境温度下的表皮应力，可通过控制环境变量来减少西红柿表皮破裂所造成的损失。

在农业科研和生产中，农产品的品质评判大多是依赖于对农产品外观的辨识。例如对果形尺寸和颜色等外观判别果实的成熟度，作物与杂草的辨别，种子的外观质量检测。由于农业环境的复杂性和生物的多样性，农产品的外观不具有较确定的规律性和可描述性，单一采用图像处理技术辨识农产品的外观时不宜过多采取失真处理和变换，否则则增加图像处理的复杂性，特征判别也相对困难。人工神经网络由于其具有自学习、自组织的能力，比较适宜解决农业领域中许多难以用常规数学方法表达的复杂问题，与图像处理技术相结合后，可根据图像特征进行选择性判别。采用此方法可以部分替代人工识别的工作，提高了生产效率，也有利于实现农业现代化。如Liao等将玉米籽粒图像用34个特征参数作为神经网络的输入变量，将输出的种粒形态分为5类，经过学习的神经网络对完整籽粒分类的准确率达到93％，破籽粒分类的准确率达91％。

3.蔬菜、果实、谷物等农产品的分级和鉴定

在农业生产中，蔬菜、果实、谷物等农产品的分级和鉴定是通过对农产品外观的辨识进行的。传统的农产品外观的辨识方法费时费力、预测可靠度很低，而且多采用人工操作，评价受到操作者主观因素的影响，评判的精度难以保证。利用人工神经网络技术结合图像处理技术可部分代替以往这些主要依靠人工识别的工作，从而大大提高生产效率，实现农业生产与管理的自动化和智能化。

利用BP神经网络技术对农产品果形尺寸和颜色等外观评判，目前国内外已有不少成果用于实际生产中。何东健等以计算机视觉技术进行果实颜色自动分级为目的，研究了用人工神经网络进行颜色分级的方法。分别用120个着色不同的红星和红富士苹果作为训练样本集对网络进行离线训练。两个品种的苹果先由人工依据标准按着色度分成4级，对每一个品种分别求出7个模式特征值作为BP网络的输入，用训练好的神经网络进行分级。结果表明红富士和红星果实的平均分级一致率分别为94.2％和94.4％。刘禾等用对称特征、长宽特征、宽度特征、比值特征等一系列特征值来描述果形。采用BP网络与人工智能相结合，建立果形判别人工神经网络专家系统。试验水果品种为富士和国光。试验表明系统对富士学习率为80％，对非学习样本的富士苹果的果形判别推确率为75％，系统对国光学习率为89％，对非学习样本的国光苹果果形判别系统的难确率为82％。

三、未来的发展方向

人工神经网络的信息处理技术现已在农业工程领域内得到了迅速的应用，采用人工神经网络算法的农业系统能够从一定程度上改善控制效果，但此技术在农业范围内还不够成熟，有待于进一步的研究。今后科研的方向大体上可以从以下几方面着手：

1.人工神经网络算法的改进

人工神经网络算法由于本身具有一定的缺点，从而采用人工神经网络的算法的信息处理技术在应用过程中具有一定的局限性。在今后的研究中，可以从人工神经网络方向着手，改进人工神经网络算法，从而实现其在农业领域内更好的应用。近年来随着模糊算法、蚁群算法等算法的相继出现，将神经网络与其他算法结合在一起已经成为了研究的热门话题，也是未来算法研究的主要方向之一。

2.应用领域的扩展

人工神经网络算法在农业工程方面现已得到了迅速的发展，扩展其在农业工程领域的应用范围是未来的一个主要研究方向。人工神经网络由于其具有自学习能力，可对农业系统的非线形特性进行较好的描述，采用人工神经网络可解决传统方法的不足，从而实现农业现代化。如何将神经网络较好地引入到农业系统，解决农业工程中的部分问题，已是今后农业科研中的一个方向。

四、结束语

神经网络作为一种人工智能范畴的计算方法，具有良好的自学习与数学计算的能力，可通过计算机程序进行模拟运算，现已广泛用于模式识别、管理决策等方面。随着计算机硬件和软件的不断发展与农业工程方面的研究的不断深入，神经网络将在农业管理、农业决策、农作物外观分类、品质评判等方面充分发挥其自学习能力强，计算能力强的优势，通过对样本数据的学习，神经网络可较好地解决农作物生长过程中的作物分类、预测等非线形的问题。在农业工程领域内，神经网络拥有广阔的科研前景。

参考文献:

[1]余英林李海洲:神经网络与信号分析[M]. 广州: 华南理工大学出版社,1996:45

[2]霍再林史海滨孔东等: 基于人工神经网络的作物水―盐响应初步研究[J].内蒙古农业大学学报，2003，24（3）：66～70

[3]何勇宋海燕:基于神经网络的作物营养诊断专家系统[J]. 农业工程学报,2005,21（1）:110～113

[4]马成林吴才聪张书慧等:基与数据包络分析和人工神经网络的变量施肥决策方法研究[J].农业工程学报,2006，20（2）:152～155

[5]刘铖杨盘洪: 莜麦播种方式决策的BP神经网络模型[J]. 太原理工大学学报，2006,37(5):119～121

[6]谭宗琨: BP人工神经网络在玉米智能农业专家系统中的应用[J].农业网络信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

第5篇：神经网络特征范文

关键字：智能手机；安全；神经网络；病毒病毒识别模型在智能手机监测中的优越性以及可行性。

0 引言

现阶段，互联网已成为当今社会不可或缺的一部分，智能手机的数量也是与日俱增，与此同时不断发展的是手机病毒，手机病毒已成为现代病毒发展的趋势。

所谓手机病毒，其实是一种破坏手机系统的程序，且其传播手段极为广泛，可通过短信、彩信、邮件、网站或者下载文件、蓝牙等传播，手机一旦被病毒感染就会根据所感染病毒程序的要求对手机实施破坏，其表现方式不尽相同，可以使关机、死机、删除手机资料、自动通话、发邮件等，有的病毒还能够破坏手机SIM卡和芯片等手机硬件设备。

怎样才能避免手机遭受病毒的破坏？其主要措施还是杀毒软件和防火墙：

①定期对杀毒软件的病毒库进行更新升级，尽可能的保证其拥有当时已出现的病毒程序的破解，若病毒库中不存在某个病毒的特征，则杀毒软件就不能对该病毒进行查杀。此外，现在的手机杀毒软件病毒库采用的是特征代码法，病毒的细微的变化都需要病毒库对其进行辨别，然而智能手机的存储空间和运算能力都是有限的，所以这种防杀毒的方法对智能手机而言，并不是完美的。

②而智能手机的防火墙主要的作用是拦截骚扰电话等，而并不是对手机病毒进行监控，面对现存的多样易变的病毒，防火墙更是显得微不足道。

究竟该选择何种方式来保护手机，这也是本文研究的重点―神经网络。

1 神经网络

神经网络是依据生物神经的机制和原理，对信息进行处理的一种模型。它能够模拟动物大脑的某些机制机理，实现一些特定的功能。人工神经网络具有很大的优越性：

①具有自学功能。比如说，当对一幅图像进行识别时，将各种不同的图像样本及其对应的结果输入人工神经网络，它就能够自己学习识别相同类型的图像。

②具有联想存储功能。人工神经网络中的反馈网络具备了联想存储的功能。

③具有高速寻找优化解的功能。

2 神经网络安全监控系统

神经网络安全监控系统就是监控手机应用程序，使手机的正常业务能够顺利进行，而对那些异常业务则进行阻止。所谓正常的业务就是那些手机用户已知的、按照用户的意愿运行的、并且其运行并不破坏用户手机中的资源和产生额外费用的已经授权的程序。

通过神经网络监控手机的而应用程序的流程图如图1所示：

图1 神经网络安全监控流程图图2 单层感知器神经网络结构

神经网络智能手机安全监控的第一步是获取所运行程序的特征，然后借助于神经网络的识别功能，对所提取的应用程序的行为特征进行识别，如果识别结果为病毒手机会向用户发出提示信息，若不为病毒则程序将继续运行。

3.1 程序行为特征的获取

这里举个例子说明。例如OwnSkin.A病毒，该病毒以手机主题的形式诱导手机用户进行下载安装，一旦该病毒被安装进了手机，它就会在用户不知情的情况下自动连接网络，自动想外界批量发送短信，对手机收到的短信的信息内容进行删除等等。从对病毒的描述详细程度方面来说，病毒具有很多种特征，本文以3个为例，进行说明，这3个特征分别是有无按键、是否自启动、是否特殊号码，程序行为特征获取的方法如下：

①针对手机自启动的行为特征：每种手机的系统，都有其正常的程序启动方式，例如Windows Mobile通过“启动”设置，Symbian的系统式通过“Recognizer”来设置程序的启动，Linux系统是将启动语句加入/ect/init.d/rcs，或者/usr/etc/rc.local中，在程序启动的时候对这些个位置进行监控，就可以很容易的判别其是否为自启动。

②针对按键这个行为特征：塞班的系统对是否有按键这个行为特征的监控是粗略的监控，以短信为例，手机短信的使用一般是先按功能键启动功能图标，然后选取短信的图标，接着是对短信内容的编辑，即一系列的数字键，监控可得到一个相应的按键序列，这样就可以通过是否有按键这个行为特征来监测手机程序的启动是否正常。

③针对“被叫号码”和“文件信息”的特征： 对于被叫号码主要执行的是，查看所要拨出去的电话号码是否是设置在黑名单里的电话，对于文件信息则是查看信息中所添加的附件是否是安装文件，如果是手机用户之间的正常传输行为，则必定有按键行为特征，这样也就会避免手机中的病毒程序隐蔽性的自启动来传输文件。

3.2 神经网络建模

仍旧以上述3个行为特征为例，将其三个特征分别用“0”或者“1”来表示，若无按键、自启动、特殊号码，其特征值都取“1”，反之则取“0”，这三个特征值一共组合成了8中可能出现的情况，将其标记为矩阵如下：

(1)

借助于神经网络的识别功能，本文以单层单神经元的神经网络为例进行说明，采用以下的参数对神经网络进行设计：

该网络包含有一个输入向量，包汗三个元素，并且每个元素取0―1之间的值。

神经网络中的神经元通过hardlim函数为传输手段，根据这个函数设计出如图2所示的神经网络结构,：

(2)

该结构输出结果为二值向量“0”或者“1”，其中“0”表示不是病毒特征，“1”则表示是行为特征。

在智能手机的实际应用中，传输函数和网络结构、层数极易神经元等的类型多种多样，可根据病毒的实际情况进行选择和应用，在此笔者只是举个例子来论述神经网络是如何识别网络的。当网络建好之后，就需要通过适当的方法对病毒样本进行训练得出误差。

仍以上述例子为例进行训练：

输入向量为：p= ;目标向量选为：t= ,在MATLAB7.1的环境中对病毒进行训练，根据所的结果得出训练的误差性能曲线，如图3所示：

图3 训练误差性能曲线

经过训练并获取矩阵权重，至此，神经网络的建模基本完成，其模型为

a=hardlim(P1*2+P2*2+P3*1-3)

在手机中所执行的应用程序，计算程序的行为特征向量与病毒的行为特征向量（111）之间的欧式距离，当所得之数比程序的特征行为向量和正常行为特征向量之间的欧式距离大时，系统将将此程序判定为病毒。

运用神经网络系统对手机进行监测不需要像杀毒软件一样需要定期更新，这对手机的安全具有更好的防护作用。

3结语

随着现代社会智能手机数量的增多和日常化，网络黑客技术也在不断的发展和完善，因此智能手机安全问题已然不能忽视或者小视。本文针对这个问题，以及杀毒软件和防火墙的不足之处，论述了神经网络病毒识别模型在智能手机监测中的优越性以及可行性。

参考文献

[1]刘一静,孙莹,蔺洋. 基于手机病毒攻击方式的研究[J]信息安全与通信保密, 2007, (12) .

[2]李锦. 手机病毒特点及防范对策[J]通信技术, 2009, (02) .

[3]杨建强,吴钊,李学锋. 增强智能手机安全的动态恶意软件分析系统[J]. 计算机工程与设计, 2010, (13) .

[4]智能手机安全防护框架浅析[J]. 信息安全与通信保密, 2010, (10).

第6篇：神经网络特征范文

关键词：BP神经网络；人脸识别；奇异值

中图分类号：TP391 文献标识码：A文章编号：1007-9599 (2011) 13-0000-01

Face Recognition Based on the BP Neural Network

Liu Weiwei

(Chinese People's Public Security University,Beijing100872,China)

Abstract:In order to achieve the purpose of face recognition by classifying the feature vector of face image,a new methods for face recognition on neural networks is presented in this paper.Singular values features of face image matrix are used as features,Back-Propagation(BP)networks are used as recognition.Through the experiments,it show that the method of face recognition is reliable and have a ability of high maneuverability.

Kewwords:BP neural network;Face recognition;Singular values

一、引言

人脸识别的发展应用广泛，利用人脸图像进行识别身份容易被接受，具有非打扰性、直接性、唯一性。人脸识别主要是对人脸特征向量分类识别。神经网络可以用做人脸特征的分类器。它是一种模拟人类大脑的思维方式和组织形式而建立的数学模型。具有强大的自适应、自学习、高度容错能力，因此成功运用在模式识别和预测等领域。BP网络是神经网络中最完美的，采用BP神经网络可以进行人脸特征向量识别分类。

二、BP神经网络

BP网络是一种单向传播的多层前馈神经网络，它包括一个输入层、若干隐含层和一个输出层，上下层之间实现全连接，而每层神经元之间没有连接。利用BP神经网络可以实现输入向量 到输出向量 的非线性映射。该网络的前层和后层都有连接权值 ，每一层有阈值 ，这些值在初始时刻是随机生成的。在具体的应用中，将特征值向量作为输入向量，特征值所对应的结果作为输出向量，BP网络载入这些数据训练和学习，从而对连接权值和阈值不断进行修正，使网络达到的最优状态，完成网络的学习和训练过程，为后续的数据分类做准备。因此可以将BP神经网络作为人脸特征向量的分类器，以达到人脸识别的目的。

三、基于BP神经网络的人脸识别

人脸识别是基于人脸的唯一性进行识别，这里采用奇异值分解的方法提取人脸特征向量。本实验的数据取自ORL人脸数据库，该库由40人、每人10幅、共400幅人脸图像组成。这些照片包含测试者的不同面部表情。本实验选择两个测试者进行识别，每个测试者的十幅图像作为一个类，每个类的前九幅图像的特征向量作为网络的学习训练样本，第十幅图像的特征向量作为测试数据。

（一）样本数据的获取

采用奇异值分解的方法提取人脸图像的特征向量，这些特征向量作为BP网络的学习和训练样本数据，对样本数据进行归一化后得到。例如 =（0.55650.53230.36750.40620.35990.38540.37030.3062）表示第一个测试者的第一副图像的特征向量，在BP网络中对应的输出向量为（1，0）。

（二）BP神经网络的建立

第一，确定隐含层的层数。对于一般的模式识别问题，三层网络可以有效的解决此问题。本试验采用三层网络，输入层的神经元个数为特征向量的维数n=8，隐含层的神经元个数为p=2n+1=17，输出层的神经元个数为输出向量的维数为m=2。隐含层神经元传递函数选用tansig，输出层神经元传递函数选用logsig。输出向量为（1，0）和（0，1）表示为第一个和第二个测试者。

第二，载入样本数据学习和训练。样本数据包括输入向量和输出向量，通过学习和训练不断的修正网络中的权值和阈值。训练曲线的收敛情况如图2.

在matlab环境下运行，采用测试样本进行测试，实验结果输出为（0.98490.0027）；（0.00270.9547），试验结果接近（1，0）和（0，1），分别为一号和二号测试者，实验达到预期结果。

图1.训练曲线

四、结语

运用BP人工神经网络建立了人脸识别模型，解决了对人脸特征向量进行分类识别的问题，从而达到对人脸识别这一最终目的。识别结果表明，在小样本空间下，运用BP神经网络的人脸识别运算速度快、操作简单、识别率高，BP神经网络可以用于人脸识别系统中的识别部分，并且可以扩展到其他模式识别问题。

参考文献：

[1]郝文化.MATLAB图像图像应用教程[M].中国水利水电出版社,2004

[2]邵拥军等.基于BP神经网络的湘西金矿成矿预测[J].中南大学学报,2007

[3]高全学等.SVD用于人脸识别存在的问题及解决方法[J].中国图象图形学报,2006

[4]杨天军,张晓春等.基于BP神经网络的城市道路交通安全评价研究[J].中国矿业大学学报,2005

第7篇：神经网络特征范文

关键词：前馈神经网络；材质识别；羊毛；粘胶；MIV；图像处理

中图分类号：TP391；TS137

文献标志码：A

Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network

Abstract： In order to identify the materials of blended yarns， the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network， the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.

Key words： feed-forward neural network； material identification； wool； viscose； MIV； image processing

传统的混纺纱线检测多由人工完成，工作量大，易于出错。随着数字图像技术的发展和神经网络的不断完善，通过图像技术提取纤维特征，利用神经网络进行识别，是现今最主要的自动检测方式。但是纤维特征的筛选多由主观确定，且大多利用BP神经网络来构造材质识别的分类器。由于BP神经网络的学习速度慢，难以满足纤维检测的实时性，所以本文尝试将前馈神经网络的多种典型形式结合图像处理技术，进行羊毛/粘胶混纺纱线的特征选取，训练计算机更为客观、准确、迅速的实现毛粘混纺纱线中的材质识别。

1羊毛和粘胶的形态特征

1.1基于图像处理的羊毛/粘胶特征提取

通过配套PC图像采集接口的CU-Ⅱ型纤维细度仪，显微拍摄利用哈氏切片法获取的羊毛/粘胶混纺纱线横截面图片（图1）。其中羊毛和粘胶为待识别目标，需要保留；而火棉胶溶液的作用是固化纱线，可看作为背景，需要去除。经图像灰度化、去噪、增强、二值化、形态学处理之后得到的羊毛和粘胶个体示意图如图2和图3所示。通过观察可以发现，羊毛和粘胶从图像的角度来看，最大的差异在于羊毛个体的形态较饱满，外廓参差较少；粘胶个体形态较干瘪，外廓参差较多。

通过Matlab中用来度量图像区域属性的函数regionprops，获取第一至第六个特征指标，分别为Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter；如图4所示，第七个特征指标定义为Bc，即从水平与垂直两个方向获取的目标个体长度，然后将以较小长度Lmin作为直径的圆的面积与以较大长度Lmax作为直径的圆的面积相除（式（1））；如图5所示，第八个特征指标定义为SMr，Sh和Sv分别是目标个体从水平方向逐行和垂直方向逐列扫描得到的缺口面积总和，S是目标个体的横截面面积（式（2））。

Bc=L2min/L2max（1）

SMr=1-（Sh+Sv）/S（2）

在本文的研究中总共提取了215个羊毛个体和152个粘胶个体的特征值，部分羊毛和粘胶个体特征值的原始数据见表1。

第8篇：神经网络特征范文

关键词：壁纸识别；BP神经网络；不变矩

中图分类号：TP391.41

贴标的识别以往是通过人工识别，人为因素影响大，识别速度慢，精度低，不能满足大批量生产的需要。因此，在经济社会高速发展的今天，此方法越来越不能满足壁纸行业发展的需要。随着计算机的发展，通过计算机智能识别壁纸的纹理就成为可能，主要思路是将壁纸拍摄获知的图像进行纹理特征的提取，只要建立足够的特征库，就可以把需要判别的壁纸图片输入计算机，通过检索来判别该壁纸是哪种材种。因此，本文引入图像处理技术和BP神经网络技术，提出一种壁纸贴标自动识别算法，以解决贴标大批量生产的需要。

1 壁纸纹理特征的提取

不变矩是指物体图像经过平移，旋转以及比例变换仍保持不变的矩特征量，设物体的二维离散图像函数用f（x，y）表示，其（p+q）阶矩定义为：

（1）

相应的（p+q）阶中心矩定义为：

（2）

其中，x0=m10/m00，y0=m01/m00，x0表示二维图像的灰度在水平方向上的重心，y0表示二维图像的灰度在垂直方向上的重心。

HuM.K.等人利用二阶、三阶中心矩得到了7个不变矩特征参数，具体如下：

Φk=|log|Φk，k=1，2，3，4，5，6，7 （3）

在本设计的实验中要求样本的尺寸是256×256，从每一类原始样本中采集100个能表现该样本纹理的图片，形成识别样本库，之后提取了所有样本的不变矩纹理特征。

图1 壁纸样本图片

2 BP-神经网络分类器的设计

2.1 BP神经网络概述

BP神经网络（Back Propagation）是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种基于误差逆传播算法的多层前馈神经网络，目前广泛应用于分类、识别、函数逼近等领域。BP神经网络结构如图2所示，包括输入层、输出层和隐含层。

图2 BP神经网络结构图

BP学习算法的工作过程由正向传播和反向传播组成。正向传播过程是指输入信号从输入层经隐含层，在输出层产生输出信号。如果输出层不能得到期望的输出信号，输出信号将反向传播，将误差信号沿原有路径返回，并按照一定规则修改网络参数，逐渐地向输入层传播去进行计算，正向传播和反向传播两个过程的反复运用，直到误差信号满足要求。

2.2 BP神经网络分类器设计

2.2.1 网络输入节点数的设计

输入层节点数主要根据数据特征向量的维数来确定，本文输入节点数为不变矩特征向量的维数，即输入节点数为7。

2.2.2 网络隐含层数的设计

通常情况下，增加网络的隐含层数可以使网络误差降低，提高网络的精度，但同时也使网络变得复杂化，使得网络的训练时间增加，而且容易出现网络过拟合的情况。有研究表明，具有Sigmoid非线性函数的3层BP神经网络能够逼近任何连续函数。因此，本研究中神经网络分类器的隐含层数选为3层。

2.2.3 网络隐含层节点数的设计

在确定BP神经网络隐含层数后，下一步就需要确定隐含层节点数。隐含层神经元个数一般由 是公式确定，其中n是隐含层神经元个数，n0是输入层神经元个数，n1是输出神经元个数，a∈（1～10）。

2.2.4 网络输出层的设计

输出层的节点数是根据BP神经网络分类器的输出类别数量决定，也就是说，输出层的节点数应为类别总数。例如，本研究需要将待识别的壁纸样本分成8大类，那么输出层节点数应设置为8，并将每类对应的目标向量依次设置为[1 0 0 0 0 0 0 0]T、[0 1 0 0 0 0 0 0]T、[0 0 1 0 0 0 0 0]T、[0 0 0 1 0 0 0 0]T、[0 0 0 0 1 0 0 0]T、[0 0 0 0 0 1 0 0]T、[0 0 0 0 0 0 1 0]T、[0 0 0 0 0 0 0 1]T，对应目标向量的数目为对应输入壁纸样本的数目，即目标向量与输入壁纸样本是相互对应的。

本文BP神经网络分类器采用MATLAB神经网络工具箱进行设计，训练函数选择Trainlm，训练次数为200，误差为0.001，将壁纸样本其分成训练样本与测试样本2部分，并利用训练好的BP神经网络对样本进行自动识别，识别率达到90.0%。

3 结束语

实验结果表明不变矩纹理特征参数可以用于表征壁纸样本，使用本文设计的BP神经网络分类器可以有效识别不同种类的壁纸样本。

参考文献：

[1]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003：55-63.

[2]杨斐，王坤明，马欣.应用BP神经网络分类器识别交通标志[J].计算机工程，2000（10）：120-121.

[3]Yaping JIANG，Zuxin XU，Hailong YIN.Study on improved BP artificial neural networks in eutrophication assessment of China eastern lakes [J].Journal of Hydrodynamics，2006（03）：528-532.

[4]严晓梅，耿国华，周明全.基于改进BP神经网络的指纹自动分类器[J].微计算机信息，2007（01）：281-282+288.

[5]李梅，孟凡玲，李群.基于改进BP神经网络的地下水环境脆弱性评价[J].河海大学学报（自然科学版），2007（03）：245-249.

[6]闵惜琳，刘国华.用MATLAB神经网络工具箱开发BP网络应用[J].计算机应用，2001（08）：163-164.

第9篇：神经网络特征范文

（四川信息职业技术学院，四川广元628017）

摘要：考虑到传统BP神经网络在进行P2P流量识别时，具有系统识别速度慢、精度低，神经网络自身容易陷入局部最小值等问题，使用遗传算法对BP神经网络进行优化。遗传算法具有较强的自适应性和鲁棒性，因此使用遗传算法对BP神经网络的权值和阈值进行优化处理，能够有效提高神经网络的性能。建立基于遗传神经网络的识别系统，采集处理大量样本数据，对识别系统进行训练和测试。研究结果表明，基于遗传神经网络的P2P流量识别系统具有识别精度高、识别速度快等优点，相比传统BP神经网络，其识别性能有明显提高。

关键词 ：遗传算法；P2P；流量识别；BP神经网络

中图分类号：TN711?34；TP393 文献标识码：A 文章编号：1004?373X（2015）17?0117?04

随着计算机科学技术的不断发展与进步，P2P技术已经广泛应用于网络视频音频多媒体播放、网络文件共享以及数据传输等领域，P2P技术不断吸引了越来越多的网络用户、网络应用服务开发者以及提供商的目光，各种各样的基于P2P技术的网络应用和服务不断涌现，为人们在网络中提供了便利。然而，随着人们享受着P2P技术带来的各种便利的同时，P2P技术的各种负面效应也随之而来。目前P2P应用存在对网络流量消耗巨大，监管难度大，以及易于网络病毒传播，为网络带来安全隐患等问题。因此，对P2P流量的精确识别和监测成为了对P2P技术研究的重中之重[1?5]。

1 P2P 流量识别技术

1.1 典型P2P流量识别技术

典型的P2P流量识别技术主要有：基于端口的识别技术、基于深层数据包的识别技术以及基于流量变化特征的识别技术。

基于端口的识别技术是一种应用最早的识别技术，其主要根据早期P2P应用的固定端口进行识别，具有算法简便，易于实现等优点，但是对于现如今复杂的网络环境，此种技术已经不再适用[6?7]。

基于深层数据包的识别技术往往因为存在识别滞后、隐私保护以及算法复杂等缺点而得不到广泛普及应用。

基于流量变化特征的识别技术通过对P2P流量数据进行采集，通过处理数据得到数据流的统计特征，使用统计特征作为机器学习的训练样本，得到经过训练的识别系统。此识别技术具有算法简便、效率高等优点[8?9]。

1.2 基于神经网络的P2P流量识别技术

BP 神经网络是一种有督导的智能机器学习算法，已经在机械、计算机、通信等领域得到了广泛应用，其技术发展已经相对成熟。将BP神经网络用于对P2P流量的识别是一种可行有效的识别技术和手段。

然而将BP神经网络算法用于P2P流量识别虽然克服了传统识别方法存在的诸多问题，但是由于算法自身特性也随之带来了新的问题。

BP神经网络实际上是梯度下降算法的一种迭代学习方法。由于梯度下降算法要求具有较小的学习速度时才能进行稳定的学习，因此其收敛速度较慢。并且，由于BP神经网络在进行训练时，会在某点沿着误差斜面而渐进误差极值，不同的起点会得到不同的误差极值和不同的解。因此传统BP神经网络具有学习速度慢、抗干扰能力弱以及容易陷入局部最小值等缺点[10?11]。

2 BP 神经网络和遗传神经网络

2.1 BP神经网络

BP神经网络结构如图1所示。通常由输入层、输出层和隐含层组成。

4 结论

本文对P2P 流量识别技术进行了深入研究。P2P技术在网络中已经得到了广泛应用，其流量在网络总流量中占有重要地位，因此对其流量进行实时监测识别具有重要意义。本文对P2P流量识别技术进行了分析，对使用比较广泛的BP神经网络模型进行了深入研究，并针对其缺点，使用遗传算法进行优化，建立基于遗传神经网络的P2P流量识别模型。通过实验采集大量网络训练样本和测试样本，对建立的识别系统进行测试。测试结果表明，基于遗传算法的神经网络的识别速度和识别精度要高于BP神经网络，具有较高的工程应用价值。

参考文献

[1] 谭红春，杨松涛，阚红星.校园网P2P 流量综合检测技术研究[J].长沙大学学报，2015（2）：70?72.

[2] 刘兴光.一种混合式BT流量实时检测方法[J].网络安全技术与应用，2014（3）：53?55.

[3] 汤伟.基于数据流特征向量识别的P2P 僵尸网络检测方法研究[D].青岛：中国海洋大学，2014.

[4] 席鹏.基于距离判决算法的P2P流量识别模型研究[D].昆明：云南大学，2013.

[5] 邓力为.基于遗传神经网络的P2P流量检测研究[D].成都：电子科技大学，2013.

[6] 张龙璨.基于粒子群优化半监督学习的网络流量分类方法研究[D].武汉：华中科技大学，2013.

[7] 张瀚.基于DPI技术的P2P流量检测系统设计[D].北京：北京邮电大学，2013.

[8] 马容生.基于自适应神经网络的P2P流量检测研究[J].通信技术，2012（6）：113?116.

[9] 张瀚，朱洪亮，辛阳.基于DPI 技术的P2P 流量检测系统设计[J].信息网络安全，2012（10）：36?40.

[10] 张小敏.基于DPI的P2P流量识别方法研究[D].南京：南京邮电大学，2012.

[11] 周雪莲.P2P流量应用层实时检测技术研究[D].长春：吉林大学，2012.

[12] 贺毅朝，宋建民，张敬敏，等.利用遗传算法求解静态与动态背包问题的研究[J].计算机应用研究，2015（4）：1011?1015.

[13] 王晓瑜，原思聪，李曼.基于自适应蚁群遗传混合算法的PID参数优化[J].计算机应用研究，2015（5）：1376?1378.

[14] 刘奕君，赵强，郝文利.基于遗传算法优化BP 神经网络的瓦斯浓度预测研究[J].矿业安全与环保，2015，42（2）：56?60.

[15] 吴连平，杨晓翔.基于神经网络与遗传算法的关节轴承挤压模具优化[J].中国机械工程，2015，26（10）：1351?1355.

[16] 李麟青，杨哲，朱艳琴.一种混合式BitTorrent流量检测方法[J].计算机应用，2011，31（12）：3210?3214.