PCA与联合近邻权值协同过滤算法研究

协同过滤推荐算法主要是通过学习用户对商品过去所作出的偏好行为来为用户作出推荐,也就是协同过滤算法会对用户评分矩阵进行用户行为偏好学习,从而为用户作出相应的推荐。但是,由于用户评分矩阵具有极大的稀疏性,稀疏性会影响推荐算法的推荐结果.针对评分矩阵的稀疏性问题,文章利用主成分分析法,对用户原始评分矩阵首先进行降维处理,将原始评分矩阵转换到主成分空间上,缓解了评分矩阵的稀疏性,同时也降低了运算的时间复杂度.利用MovieLens数据库对算法进行了实验并和联合近邻权值算法进行了比较.结果表明,本文算法有较高的准确度和运行效率.     

一种基于权值矩阵的序列图像超分辨率盲复原算法

 建立准确的观测模型是提高现有超分辨率复原算法性能的关键.本文提出一种基于权值矩阵的超分辨率盲复原算法:定义了一种新的基于权值矩阵和运动补偿矩阵的观测模型,在最大后验概率框架下,采用交替最小化方法对权值矩阵和高分辨率图像进行联合优化求解.静止和动态图像序列的测试结果表明,该方法能够实现对低分辨率图像降质过程的准确描述,其复原性能明显优于传统基于理想观测模型的算法,部分结果甚至超过了观测模型已知的算法.     

基于改进AHP的多机协同多目标攻击威胁评估算法分析

现代空战需要先进的火控计算,目标威胁评估是其重要的组成部分。文章通过建立威胁评估体系模型,再提出威胁因子及权值计算方法,从而构建了一套完整的目标威胁评估算法。最后针对一个多机协同多目标攻击态势,利用建立的算法进行威胁矩阵的计算,计算结果表明该方法是有效可行的。     

改进的特征空间新算法

提出了一种基于多约束LCMV准则和正交投影的新算法。首先由多约束LCMV算法得到权值,然后将其投影到信号子空间得到新算法的权值。新算法具有更好的性能,同时不需要进行矩阵的特征分解,减小了计算量。     

基于云平台的知识关联挖掘研究

针对用户动态浏览过程,文章提出了一种基于权值矩阵的FP-Growth关联规则。经过时间因子过滤,得到初始矩阵,进一步计算出权值向量,用于FP-Growth算法改进。同时,解决了动态事务项集部分更新及支持度变化的问题,分析频繁项集的关联规则,在云平台上进行并行处理,改进算法性能和时空间效率,最终得到更有效、更精准的频繁项集,为后续推送研究做基础。     

最短路问题的Floyd算法优化及分析

在传统Floyd算法的基础上,运用动态规划思想通过迭代求出最终的最短路矩阵,并在迭代过程中先筛掉不能使路径权值变小的部分中间节点不参与迭代,从而简化计算权值矩阵的运算步骤,缩短矩阵运算时间。分析结果显示本文算法明显提高了运算的效率,降低了算法的复杂度。     

一种Ad Hoc网络的分布式证书撤销算法

文章提出了一种AdHoc网络的分布式证书撤销算法，该算法利用撤销状况权值记录矩阵A（T W）描述节点间的撤销关系和节点的可信度，通过权值迭代关系逐步实现网络运行过程中权值的不断变化，随着网络中各恶意节点被撤销，正常节点的权值得到恢复，非常适用于AdHoc网络。     

一种改进的加权关联规则挖掘算法

基于经典Apriori算法的加权关联规则挖掘算法New-Apriori存在3个问题,需要多次扫描数据库,权值定义不合理和权值的引入导致Apriori基本性质不再成立。为了解决这些问题,采用将矩阵和加权关联规则算法相结合的方法,该改进算法具有只需要扫描一次数据库,权值的定义既考虑到了权重大的项目,也没有忽略频繁出现而权重小的项目,并引入K-项支持期望作为减枝的依据的特点。     

两跳中继通信系统中基于QoS的联合预编码设计

针对多入多出（MIMO）中继系统中接收端服务质量（QoS）的要求,即目的节点各子信道所要求达到的信噪比值（SNR）,在文中我们研究了一种中继节点和目的节点的联合预编码算法.该算法基于权值最小均方误差（WMMSE）准则,通过接收端的QoS要求选取适当的权值,从而设计出最优的预编码矩阵和检测矩阵.     

一种快速解相干的恒定束宽宽带波束形成算法

目前,恒定束宽宽带波束形成算法中权值拟合运算量较大,当信号与干扰相干时性能恶化.文中将宽带测向中常用的聚焦变换的思想(即频域平滑)运用于权值拟合中,在保证恒定束宽的条件下,实现解相干功能.同时,在聚焦矩阵求取过程中,利用Bessel函数分解导向矢量的性质,构造出可以预先计算并存储的聚焦矩阵,大大减少了权值拟合的运算量.仿真结果验证了本文算法的有效性.     

一个符号神经网络的学习算法

本文首先根据神经科学和认知科学的研究，提出了一种符号神经网络结构，该结构溶符号机制和神经网络于一体，然后在此基础上研究了其学习算法，该算法结合神经网络ＢＰ学习算法和符号机制中学习算法的特点；最后通过实验，证实该算法的可行性和先进性。     

一种改进的Elman神经网络模型

本文首先详细地阐述了Elman神经网络的结构、原理和学习算法.为了进一步提高Elman神经网络的逼近能力和动态特性,我们提出了一种改进的Elman神经网络模型.这种新的Elman神经网络在关联节点与输出节点之间又增加了一组可调权值,利用误差回馈原理推导出了其相应的学习算法.仿真实验结果表明,改进的Elman神经网络比原来的网络具有更好的动态性能,对于贯序输入输出数据的逼近收敛速度更快.     

一种基于高阶矩的神经网络参数估计器

本文提出了一种可控学习的两级多层神经网络模型,由此设计出一种基于高阶矩匹配的神经网络参数估计器;并对该神经网络模型的学习算法进行了研究,提出了一种自适应并行学习算法。仿真结果表明,这种利用神经网络进行模型参数估计的方法是可行的。     

一种投票权值调整的神经网络集成增量学习方法

针对神经网络集成增量学习中集成输出投票权值的设定问题,给出了一种投票权值调整的神经网络集成增量学习方法。该方法定义了神经网络集成中子神经网络训练集的类核函数,通过计算待识样本与类核函数之间的核函数距离得到集成输出中子神经网络的投票权值。这种投票权值设定方法可以根据子神经网络分类器对待识样本的分类性能自适应地调整集成输出的投票权值,是一种更加合理的集成输出投票权值设定方法。仿真实验表明,这种投票权值调整的神经网络集成增量学习方法比投票权值固定的方法增量学习性能更优。      

基于自适应神经网络的二维线性相位FIR滤波器优化设计

提出一种基于自适应三角函数基神经网络的二维线性相位FIR滤波器优化设计方法.该方法根据二维线性相位FIR滤波器幅频响应特性,采用三角函数基神经网络优化算法计算滤波器系数,同时在神经网络训练过程引入自适应学习率算法,提高神经网络的学习效率和收敛速度.通过训练神经网络的权值,使二维线性相位FIR滤波器幅频响应与理想幅频响应...     

一种序贯学习神经网络及其应用

本文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识的优点。文中给出了这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

基于神经网络专家系统的推理研究

为了克服传统专家系统知识获取难、学习适应能力差、推理效率低等问题,许多专家提出将神经网络与规则专家系统相结合,构建基于神经网络的专家系统模型。文中设计了一种基于神经网络专家系统模型的混合推理机制,通过对基于神经网络推理算法、规则推理算法以及神经网络与规则的混合推理算法进行实验比较,证明本文提出的混合推理机制在改善专家系统推理准确率方面的有效性。     

A dynamic learning neural network for remote sensing applications

The neural network learning process is to adjust the network weights to adapt the selected training data. Based on the polynomial basis function (PBF) modeled neural network that is a modified multilayer perceptrons (MLP) network, a dynamic learning algorithm (DL) is proposed. The presented learning algorithm makes use of the Kalman filtering technique to update the network weights, in the sense that the stochastic characteristics of incoming data sets are implicitly incorporated into the network. The Kalman gains which represent the learning rates of the network weights updating are calculated by using the U-D factorization. By concatenating all of the network weights at each layer to form a long vector such that it can be updated without propagating back, the proposed algorithm improves the performance of convergence to which the backpropagation (BP) learning algorithm often suffers. Numerical illustrations are carried out using two categories of problems: multispectral imagery classification and surface parameters inversion. Results indicates the use of Kalman filtering algorithm not only substantially increases the convergence rate in the learning stage, but also enhances the separability for highly nonlinear boundaries problems, as compared to BP algorithm, suggesting that the proposed DL neural network provides a practical and potential tool for remote sensing applications     

Environment-adaptation mobile radio propagation prediction usingradial basis function neural networks

This paper investigates the application of a radial basis function (RBF) neural network to the prediction of field strength based on topographical and morphographical data. The RBF neural network is a two-layer localized receptive field network whose output nodes from a combination of radial activation functions computed by the hidden layer nodes. Appropriate centers and connection weights in the RBF network lead to a network that is capable of forming the best approximation to any continuous nonlinear mapping up to an arbitrary resolution. Such an approximation introduces best nonlinear approximation capability into the prediction model in order to accurately predict propagation loss over an arbitrary environment based on adaptive learning from measurement data. The adaptive learning employs hybrid competitive and recursive least squares algorithms. The unsupervised competitive algorithm adjusts the centers while the recursive least squares (RLS) algorithm estimates the connection weights. Because these two learning rules are both linear, rapid convergence is guaranteed. This hybrid algorithm significantly enhances the real-time or adaptive capability of the RBF-based prediction model. The applications to Okumura's (1968) data are included to demonstrate the effectiveness of the RBF neural network approach     

基于负相关神经网络集成的货币识别算法研究

为了提高货币识别率,提出了用负相关学习算法来提高神经网络集成的泛化能力.将紫外光照射下的纸币图片作为实验样本,将负相关学习法的集成神经网络用于分类器设计,选择6种面额纸币在不同噪声下的样本共300个作为训练样本,对单个神经网络分类器和神经网络集成分类器进行了MATLAB仿真,并对仿真所得的可靠性、识别率进行对比.实验结果表明,基于负相关学习的神经网络集成对货币识别分类有很好的效果,与应用单个神经网络的系统和独立训练个体网络的集成神经网络相比,它的识别率平均可以高出4％.