基于泛函网络的多维函数逼近理论及学习算法

提出一种多维函数逼近的泛函网络逼近方法,设计了一类用于函数逼近的可分离泛函网络,给出了基于泛函网络的函数逼近学习算法。而泛函网络的参数通过解方程组得到,它们能逼近给定函数到预定的精度。仿真结果表明,这种逼近方法简单可行,具有较快的收敛速度和良好的逼近性能。     

泛函网络在线增量式学习算法及应用

给出了一类泛函网络的数学模型,并分析了它的拓扑结构特点和离线学习过程.在此基础上根据分块矩阵计算方法和泛函网络基函数矩阵本身的特点,给出了泛函网络的两种在线增量式学习算法.该算法能充分利用历史训练结果,具有学习、修正和应变功能.最后,以Hénon时间序列为例进行仿真.仿真结果表明这两种学习算法是可行和有效的.     

多项式感知器用于求解胡尔维茨可满足问题

定义了多项式感知器,分析了多项式感知器的逼近能力及特性,给出了多项式感知器用于求解多项式胡尔维茨可满足问题的神经网络学习算法.算例表明,该算法简单可行,易于实现,在稳定性问题中有着广泛的应用前景.     

基于特征抽取定性映射的事物关系的表示模型

对象及其关系的表示是推理、求解的基础 ,而对象的感觉特征的抽取可归结为一个定性映射 .本文以此为基础并将群体中的研究对象统称为“事物”,给出了群体中事物属性的数学表达及基于属性的事物关系的数学表达模型 ;由此引出了一般事物的属性及属性值的判定规则和“归约”“细化”的推理方法 ,将其用在 KDD中的概念提升中显得自然而方便 ,并得到基于属性的事物分类的数学方法     

基于二重积分定义的神经网络求解数值积分模型及学习算法

根据二重积分的定义和一般网络的拓扑结构特点,提出求解二重积分的神经网络模型和学习算法,并进行算法收敛性分析和算例验证.该算法收敛并且比传统的数值积分方法的计算精度高、收敛速度快.     

GF(P)上多元多项式的因式分解

本文将文［１］中复数域Ｃ上多元多项式近似因式分解算法改进到有限域ＧＦ（Ｐ）上，给出ＧＦ（Ｐ）上多元多项式精确因式分解算法；算法切实可行，易于实现。     

基于属性稀疏特征差异度的动态抽象聚类方法

针对高属性维稀疏数据聚类问题,提出高属性维稀疏信息系统概念,给出一种新的基于稀疏特征差异度的动态抽象聚类方法。该方法的优势在于可伸缩性强,是一种面向属性稀疏特征,通过稀疏特征差异度可动态地、有效地实现对属性的归并,且具有一定容错性。该方法将在高属性维稀疏数据挖掘中起重要的作用。     

基于改进进化策略的线性参数估计方法

针对线性回归模型,在最小二乘意义下,提出一种基于改进进化策略的线性参数估计方法并用仿真实例检验其有效性.该方法是将进化策略与最小二乘法相结合并且对算法中的变异算子作了相应改进.算法参数估计精度较高,收敛速度快,自适应性强,能有效处理线性回归参数估计问题.     

改进型人工鱼群算法及复杂函数全局优化方法

在分析人工鱼群算法存在不足的基础上,对人工鱼群算法加以改进,提出了一种改进型人工鱼群算法。该算法提高了全局搜索能力和收敛速度,并用于求解具有变量边界约束的非线性复杂函数最优化问题。仿真结果表明,改进后的人工鱼群算法具有精度高、搜索速度快等特点,是一种求解复杂函数全局最优化的智能算法。     

双种群进化策略解奇异非线性方程组

鉴于传统优化算法在求解奇异非线性方程组中存在受初值选取是否合适的影响、收敛速度慢且容易陷入局部最优解等缺点,提出一种改进双种群进化策略求解奇异非线性方程组算法.首先把奇异非线性方程组转化为无约束优化问题,再求解无约束优化.该算法克服了传统算法不足,避免了大量的求导计算,算法收敛速度快、求解精度高、稳定性强.