排序方式: 共有30条查询结果,搜索用时 78 毫秒
1.
提出了一种新型协同进化遗传算法.该算法借鉴了协同进化的思想,对种群进行分组处理,每个组根据自己组内个体的优良情况以及个体差异情况采用不同的交叉策略和变异策略.为防止早熟,当未触发灾变条件时仅采用自适应策略动态调整变异因子;当触发灾变条件时,在采用自适应策略的基础上引入灾变机制产生部分新个体以跳出局部最优,函数优化结果表明了该算法的有效性.采用该算法求解以最小化最大完工时间为优化目标的流水车间调度问题,结果表明,该算法在收敛速度以及优化结果的准确性都优于传统的遗传算法,在求解车间调度问题方面具有良好的性能. 相似文献
3.
4.
5.
6.
一种能量函数意义下的生成式对抗网络 总被引:1,自引:0,他引:1
生成式对抗网络(Generative adversarial network,GAN)是目前人工智能领域的一个研究热点,引起了众多学者的关注.针对现有GAN生成模型效率低下和判别模型的梯度消失问题,本文提出一种基于重构误差的能量函数意义下的生成式对抗网络模型(Energy reconstruction error GAN,E-REGAN).首先,将自适应深度信念网络(Adaptive deep belief network,ADBN)作为生成模型,来快速学习给定样本数据的概率分布并进一步生成相似的样本数据.其次,将自适应深度自编码器(Adaptive deep autoencoder,ADAE)的重构误差(Reconstruction error,RE)作为一个表征判别模型性能的能量函数,能量越小表示GAN学习优化过程越趋近纳什均衡的平衡点,否则反之.同时,通过反推法给出了E-REGAN的稳定性分析.最后在MNIST和CIFAR-10标准数据集上的实验结果表明,相较于现有的类似模型,E-REGAN在学习速度和数据生成能力两方面均有较大提高. 相似文献
9.
深度信念网络(Deep belief network, DBN)是一种基于深度学习的生成模型, 克服了传统梯度类学习算法在处理深层结构所面临的梯度消失问题, 近几年来已成为深度学习领域的研究热点之一.基于分阶段学习的思想, 人们设计了不同结构和学习算法的深度信念网络模型.本文在回顾总结深度信念网络的研究现状基础上, 给出了其发展趋势.首先, 给出深度信念网络的基本模型结构以及其标准的学习框架, 并分析了深度信念网络与其他深度结构的关系与区别; 其次, 回顾总结深度信念网络研究现状, 基于标准模型分析不同深度信念网络结构的性能; 第三, 给出深度信念网络的不同无监督预训练和有监督调优算法, 并分析其性能; 最后, 给出深度信念网络今后的发展趋势以及未来值得研究的方向. 相似文献
10.
基于光谱表示和独立成分分析的混合颜料分离方法 总被引:1,自引:0,他引:1
提出一种基于光谱表示和独立成分分析的混合颜料分离方法。首先,采用光谱仪获取混合颜料光谱信息,并将其表示为离散信号的形式;然后,对信号进行独立成分分析,得到基本颜料光谱曲线,从而确定基本颜料种类。采用蒙赛尔色卡光谱制作模拟数据,进行三种色卡光谱混合信息的分离实验以及从八种色卡光谱中选择若干种混合后的分离实验,分离出的基本颜料光谱形态与已知的原始颜料光谱形态极其相似,平均相似比为97.64%,最大相似比可以达到99.95%。实验结果表明,该方法能够准确确定基本颜料种类,具有可追溯性,适用于混合颜料分离。 相似文献