一种快速的演化学习神经网络模型

神经网络的学习算法一直是人们研究的重点,各种算法都有自己的优点和不足。演化学习具有全局优化性能好,实验样本数要求少等优点,但也存在一些问题,如演化学习的速度较慢、模型的稳定性较差等。笔者在多年的神经网络的研究过程中,对传统的演化学习算法作了一些改进,该文利用梯度下降计算改进演化算法,极大地提高了模型的学习速度,对那些需要及时优化工艺参数的生产过程,该种模型有很好的应用前景。     

虚实互动网络环境下的双群体演化博弈仿真研究

针对虚实互动网络环境下的双群体演化博弈问题,首先给出了一般博弈模型并进行了复制动态分析;然后,建立了双同质群体的多智能体仿真模型,并将仿真结果与复制动态分析和单同质群体进行了对比;最后,从策略更新时间、网络结构、学习机制三方面提出了双群体的异质演化机制。仿真结果表明,不同演化博弈机制下的演化稳定策略基本一致,但演化稳定策略的收敛速度及鞍点取值不同,应用时要根据实际问题的异质特征来构建恰当的博弈演化机制。     

基于GAC模型的自适应图像分割算法

针对传统几何活动轮廓(GAC)模型不能实现自适应分割,且容易出现边界泄漏的缺点,提出一个基于GAC模型的自适应图像分割算法.该算法结合了图像梯度信息和演化曲线的位置,用与演化曲线内外的梯度信息有关的演化速度v(D)代替传统GAC模型中的常量速度v.实验结果表明:该算法可以使演化曲线根据其位置自适应地向内或者向外运动,并且在一定程度上也减少了边界泄漏.     

基于AIS的服务匹配模型

针对在当前服务发现系统的服务匹配过程中存在的系统自学习能力差的缺点,借鉴人工免疫系统中细胞变异、演化和二次响应等基本原理,通过模拟抗体-抗原识别机制来解决实际匹配问题,提出一种基于人工免疫系统的服务匹配模型。理论分析与仿真实验结果表明,该模型不仅在查全率、匹配速度等方面较传统服务发现系统有一定的提高,而且实现了由已知服务请求推测出相似服务请求,进而搜寻到最佳匹配服务的功能,提高了服务匹配过程中系统的适应学习、记忆和动态演化的能力。     

几何活动轮廓模型中停止速度场的异性扩散

几何活动轮廓(GAC)模型广泛应用于计算机视觉和图像分析领域,特别是用于定位目标边界.然而,基于GAC模型的图像分割有演化时间长和边界泄漏两个缺点.一方面,停止速度场在同质区域一般不够平滑,这导致活动轮廓不能快速演化到希望的目标边界;另一方面,停止速度场在目标边界上不为0,导致活动轮廓不能停止于目标边界,活动轮廓继续演化进入目标边界内(边界泄漏).针对这两个问题,提出了一种对停止速度场进行各向异性扩散的方法.它基于提出的各向异性扩散模型.然后把各向异性扩散后的停止速度场应用于GAC模型进行图像分割.实验结     

基于径向基点插值的Chan-Vese模型图像分割算法

基于水平集方法的Chan-Vese模型是一种典型的几何活动轮廓模型,已成功应用于众多领域中的图像分割问题。为了提高该模型的演化速度和分割效果,提出了一种基于径向基点插值求解Chan-Vese模型的高效数值算法。通过用径向基点插值法逼近水平集函数,Chan-Vese模型被离散为常微分方程组初值问题并可用向前Euler法求解。该算法不需要网格单元,对水平集初始轮廓不敏感,不涉及复杂费时的重新初始化过程,并且有明确的演化终止条件,无需事先设置演化次数。实验表明该算法在没有初始轮廓时也能正确分割图像,具有很快的演化速度。     

基于几何活动轮廓与分形盒维数的图像分割

针对传统几何活动轮廓（GAC）模型不能实现自适应分割,且容易出现边界泄漏和演化时间较长的缺点,提出了一个基于GAC与分形盒维数的图像分割算法。该算法结合了图像信息（图像分形盒维数）和演化曲线的位置,用与演化曲线内外区域分盒维数相关的演化速度v(D)代替传统GAC模型中的常量速度v。实验结果表明该算法可以使演化曲线根据其位置自适应地向内或者向外运动,减少了分割时间,并且在一定程度上减少了边界泄漏。     

基于协同演化遗传算法的文本特征获取方法

信息过滤技术是解决“信息过载”和“信息迷向”问题的有效手段。为高效地确立用户的信息需求模型,提出利用协同演化的遗传算法解决多主题多文本的特征获取问题。协同演化遗传算法根据种群中个体进化速度、效果的不同,采取相互评价、相互学习、群体进化的协同演化策略,使得个体在其它种群、个体的指导下,不断获得较好的基因,从而实现文本特征的抽取。实验验证了方法的有效性。     

时序网络演化速度对传播的影响分析

为分析时序网络演化速度对传播过程的影响,通过改进已有的时序相关系数定义,给出了一个网络演化速度指标;同时,提出了一个具有非马尔可夫性质的时序网络演化模型。在每个时间步,每一个给定的激活节点都以概率r在网络中随机选择一个节点,以概率1-r在该激活节点的原邻居中随机选择一个节点,并在该激活节点与所选节点间建立连边。模拟结果表明：网络模型参数r与网络演化速度指标之间有单调增的关系;同时,激活节点随机连边的概率r越大,网络传播范围就越广。由此可知:演化速度快的时序网络有利于网络传播;进一步地,网络拓扑结构的快速变化有利于信息的快速传播,但不利于抑制病毒传播。     

基于WIN32并行虚拟机在演化硬件中的应用研究

利用遗传算法(GA)的群体搜索模式,在演化硬件(EHW)应用中根据其本身具有的并行性,采用并行算法提高演化速度。以Messy门模型为例,介绍了利用PVM(并行虚拟机)在演化硬件问题中提高计算速度的应用,并通过与串行算法的比较,得出了在演化硬件研究中采用并行处理的优势。     

BP神经网络学习算法的改进与应用

本文利用BP神经网络拟合电化领域的工艺模型，并通过正交实验获得实验样本数据，对BP网络进行演化训练。在实践应用中，对BP网络的演化学习进行了改进，取得了良好的效果。实践证明，用该模型得到的最优工艺流程的预期值误差和稳定性，都能满足实际生产的要求。     

基于GA-RBFNN算法的列车车轮踏面损伤识别

为了实现列车车轮踏面损伤识别,提出了一种基于GA-RBFNN算法的货车车轮踏面损伤识别方法。该算法采用浮点数编码将RBFNN的中心参数和宽度进行了编码,利用GA的选择、交叉和变异操作优化网络参数,权值采用最小二乘法确定。利用该算法和BP算法、传统的RBFNN算法进行了剥离和擦伤识别的对比实验,结果表明：GA-RBFNN算法对剥离、擦伤和非损伤三类样本的测试集的识别率高于传统的RBFNN算法和BP算法,而且GA-RBFNN算法的进化代数远远小于BP算法和传统的RBFNN算法迭代次数。     

Evolutionary fuzzy particle swarm optimization vector quantization learning scheme in image compression

This article develops an evolutional fuzzy particle swarm optimization (FPSO) learning algorithm to self extract the near optimum codebook of vector quantization (VQ) for carrying on image compression. The fuzzy particle swarm optimization vector quantization (FPSOVQ) learning schemes, combined advantages of the adaptive fuzzy inference method (FIM), the simple VQ concept and the efficient particle swarm optimization (PSO), are considered at the same time to automatically create near optimum codebook to achieve the application of image compression. The FIM is known as a soft decision to measure the relational grade for a given sequence. In our research, the FIM is applied to determine the similar grade between the codebook and the original image patterns. In spite of popular usage of Linde–Buzo–Grey (LBG) algorithm, the powerful evolutional PSO learning algorithm is taken to optimize the fuzzy inference system, which is used to extract appropriate codebooks for compressing several input testing grey-level images. The proposed FPSOVQ learning scheme compared with LBG based VQ learning method is presented to demonstrate its great result in several real image compression examples.     

神经网络建模在热膨胀螺栓形变测量中的应用

基于神经网络建立热膨胀螺栓形变的非线性数学模型。神经网络的辨识采用变尺度二阶快速学习算法,利用二阶插值法来优化搜索学习速率。新方法具有很快的收敛速度和良好的收敛精度,克服了BP算法在神经网络的权值训练中收敛速度过慢的缺点。热膨胀螺栓的受热形变测量结果表明,该学习算法适用于非线性系统的建模与辨识。     

BP算法收敛性分析及改进

在标准BP神经网络的训练中,将误差函数作为权值调整的依据,使用固定学习率计算权值,这样的结果往往使网络的学习速度过慢甚至无法收敛。对此,从网络收敛的稳定性和速度的角度出发,分析了误差函数和权值修改函数,对算法中学习率的作用进行了具体的讨论,提出了一种根据误差变化对学习率进行动态调整的方法。该方法简单实用,能有效防止网络训练时出现发散,提高网络的收敛速度和稳定性。     

一种基于FRS-FCM算法的集成入侵检测方法的研究

传统FCM算法对初值的依赖性过大且欧氏距离只适用于处理数值型及特征空间为超球结构的数据集。为此,利用模糊粗糙集思想,结合ReliefF技术,提出了一种基于模糊粗糙集的特征加权聚类算法(FRS-FCM),并将此算法应用到集成入侵检测中,通过有效地聚类和集成学习来提高入侵检测的检测率,降低误检率,并较大地提高低频攻击的检测率。最后利用KDD Cup 99数据集进行的仿真实验验证了该方法的可行性与有效性。     

An information theoretic sparse kernel algorithm for online learning

Kernel-based algorithms have been proven successful in many nonlinear modeling applications. However, the computational complexity of classical kernel-based methods grows superlinearly with the increasing number of training data, which is too expensive for online applications. In order to solve this problem, the paper presents an information theoretic method to train a sparse version of kernel learning algorithm. A concept named instantaneous mutual information is investigated to measure the system reliability of the estimated output. This measure is used as a criterion to determine the novelty of the training sample and informative ones are selected to form a compact dictionary to represent the whole data. Furthermore, we propose a robust learning scheme for the training of the kernel learning algorithm with an adaptive learning rate. This ensures the convergence of the learning algorithm and makes it converge to the steady state faster. We illustrate the performance of our proposed algorithm and compare it with some recent kernel algorithms by several experiments.     

基于代价敏感集成分类器的长方法检测

长方法(Long Method)是由于一个方法太长而需要重构的软件设计的问题。为了提高传统机器学习方法对长方法的识别率,针对代码坏味数据不平衡的特性,提出代价敏感集成分类器算法。以传统决策树算法为基础,利用欠采样策略对样本进行重采样,进而生成多个平衡的子集,并将这些子集训练生成多个相同的基分类器,然后将这些基分类器组合形成一个集成分类器。最后在集成分类器中引入由认知复杂度决定的误分类代价,使得分类器向准确分类少数类倾斜。与传统机器学习算法相比,此方法对长方法检测结果的查准率和查全率均有一定提升。     

多因素工艺优化配方系统与工艺模型的研究

文中介绍了多因素工艺优化配方智能系统的设计思想、系统的结构及关键技术和实现的工具，主要解决因素多、工艺复杂的工业中工艺配方优化问题。文中采用偏最小二乘法和Chebyshev多项式建立领域模型，通过演化计算进行最优问题求解，并利用正交实验取得模型学习的样本数。实际证明，利用这些方法可以在很少的实验情况下，使建立的模型能在许可的误差范围内指导生产实践。