BP自达应学习率设计

在神经网络的训练当中存在“过学习”现象以及参数难以选择的困难，本文指出了大多数自适应BP算法在学习率自调整中存在的问题，事后矫正，同时通过极其简单的优化手段，为当前权值的每一次调整选择一个次优（甚至最优）的学习率，从而改善了训练过程的平衡性和快速性，并且有效地解决了神经网络的“过学习”问题。     

基于神经网络模型的聚类分析技术研究

聚类分析已成为数据挖掘,模式识别等应用领域研究中非常活跃的研究课题.在聚类分析方法中,基于神经网络的算法,由于考虑到“噪声”或异常数据,可以自动确定聚类个数,可以产生鲁棒的聚类方法,而竞争学习神经网络、SOFM神经网络方法是其中有代表性的方法,对其进行了分析研究,并给出了引入可变速度的训练算法。     

团队学习模式在管理类专业教学中的实践

阐述了团队学习的含义和特点,分析团队学习模式在管理类专业教学过程中运用的有效性;总结了在团队学习实践中关于团队的组建及管理,团队学习中教师的定位,团队学习的内容形式,以及团队学习绩效的评价四个要素,并就在团队学习过程中存在的“搭便车”与习惯性防卫问题、“自治”与“控制”问题、本位主义与横向协作问题进行了分析。     

神经网络在国内旅游人数预测中的应用

针对国内旅游人数预测研究了旅游人数的影响因素,讨论了输入层、隐含层、输出层等神经元的设置及网络训练的参数,综合考虑训练精度、训练时间、泛化能力等条件,动量—自适应学习速率调整算法是适合国内旅游人数预测的,并基于动量—自适应学习速率调整算法建立了神经网络模型;将模型应用于国内旅游人数预测系统,结果表明,该算法具有较好的准确性和鲁棒性,利用神经网络模型预测国内旅游人数是可行的.     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.     

一种基于CMAC网络的自学习控制器

通过分析了ＣＭＡＣ神经网络的学习机制和连续搅拌反应釜的结构，提出了一种自动选择学习率的ＣＭＡＣ自学习控制方法。给出了自学习控制器的结构和算法，并以连续搅拌反应釜模型为对象进行了仿真研究，这种网络每次学习少量参数，算法简单，仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

面向深度学习过拟合问题的神经网络模型

针对机器学习算法中的过拟合问题,提出一种基于支持向量数据描述的深度学习神经网络模型.在高效利用深度学习的表达能力的基础上,通过在分类中获取最大间隔的方式,解决不可见数据模型的精度较差的问题,具有非常好的泛化性能.仿真结果表明,提出的模型可以学习多类数据,同时大幅度降低过拟合.     

基于“学习活动的混合式学习”模式的研究--以“学习元”平台应用为例

针对混合式学习教学实践中存在的问题,提出了一种“基于学习活动的混合式学习”设计过程模式,在学习元平台上的教学实践表明,该模式可有效提升在线学习参与度,实现更好的学习体验和更高的学习效率,改善学习者在线学习孤独感。     

自底向上加快神经网络学习的算法

介绍了一种加快神经网络学习的改进算法.这种改进算法结合采用快速自底向上构造神经网络算法和动态优化学习参数算法.首先,快速自底向上构造神经网络算法自动地构建神经网络的优化结构;随后,动态优化学习参数算法动态地调整和选取优化的学习参数.实验结果显示,这种改进算法能自动有效地构造网络的优化结构,与其它算法相比,具有更好的分类性能、优化的网络结构和更快的学习速度.     

一种解病态线性方程组的神经网络算法

详细研究了求解病态线性方程组AX=b的神经网络算法,提出并证明了神经网络算法的收敛性定理,算法的收敛性定理为神经网络学习率的选择提供了理论依据.为了验证算法的有效性,给出了应用实例.研究结果表明了求解病态线性方程组的神经网络算法是有效的.     

GF(q)域上LDPC码的改进扩展最小和译码算法

通过分析扩展最小和算法(EMS)存在的问题,提出了一种针对q 元LDPC码的改进译码算法. 不同于EMS算法固定每次迭代中FHT的阶数,该算法根据每次迭代中变量节点的概率分布对的平均方差自适应选择FHT的阶数,并修改发生振荡的变量节点输出信息,使之同时包含上次迭代和当前迭代的信息,从而减少性能的损失与振荡的影响. 仿真结果表明,在译码复杂度相当的情况下,该算法性能与收敛速度明显优于EMS算法.     

基于当前最优解的反向差分进化算法求解函数优化问题

当最优解偏离目标函数定义域的几何中心时,反向个体容易远离全局最优解,基于反向差分进化算法的性能会大幅降低. 该文引入基于当前最优解的反向学习策略,并与差分进化算法相结合,求解函数优化问题. 当前代的最优解作为候选解和相应反向个体之间的对称点,能保证反向种群的利用率始终维持在较高水平. 实验结果表明,该算法可行而高效,且算法性能的提升完全是反向个体的贡献. 此外,提出一种增强的基于反向差分进化算法,展示出此类优化方法的最优效果.     

结构地震响应线性二次型最优迭代学习控制

针对地震作用下工程结构的地震响应,将线性二次型最优控制与迭代学习控制相结合,提出了线性二次型最优迭代学习混合控制方法. 该方法根据迭代学习控制过程中二次型性能指标函数极小化导出施加于工程结构的最优控制力,并依此研究该方法减小工程结构地震位移响应的有效性. 选取典型建筑结构振动控制Benchmark第2 阶段的地震作用Benchmark模型为研究对象,数值仿真结果表明,二次型最优迭代学习混合控制方法能对Benchmark模型的地震位移响应进行有效控制,使控制效果得到一定的改善.     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点，其框架在满足数据不出本地的情况下，可以训练出多方均满意的共同模型，但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题，因此提出基于深度学习的联邦集成算法，将深度学习与集成学习应用到联邦学习的框架下，通过优化本地模型的参数，提高了本地模型准确率；使用不同的集成算法来整合本地模型参数，在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比，该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%，在保证准确率的同时也提升多源数据与模型的安全性，具有很重要的应用价值。     

改进脉冲耦合神经网络及二维Otsu算法的光伏阵列阴影检测

阴影对太阳能发电系统输出功率有极大的抑制作用,该文针对光伏阵列局部遮荫现象提出一种基于改进的脉冲耦合神经网络的阴影检测方法. 设置合适的初始参数,根据unit-linking PCNN（ULPCNN）算法进行阴影分割,利用二维Otsu算法自动选取迭代次数,以循环迭代过程中具有最优阈值的分割图像为最终分割结果. 仿真结果表明：该算法可检测出光伏阵列局部阴影,与传统的脉冲耦合神经网络算法及ULPCNN算法相比分割结果更好,操作更简洁.     

神经网络的结构学习算法研究

针对前馈神经网络结构设计困难,传统ＢＰ算法易陷入局部极小、收敛速度慢、对初始权选取敏感等缺陷,通过修改误差函数,提出了一种融结构自适应选择和参数学习于一体的针对一般神经元激活函数的新算法,实验结果表明其高效性．     

单相单位功率因数开关变流器谐波电流的分析与补偿

在基于对等效电流源电路模型分析的基础上，推导出了单相单位功率因数变流器输出电流二次谐波的计算公式，将输出二次谐波电流正、反向交替注入交流输入侧来抵消电流中的谐波。通过选择最佳谐波注入系数和使用功率因数校正技术，使交流电流中谐波含量最少，谐波畸变率由48．22％下降到5．610％，功率因数接近1，电流、电压波形接近正弦波，还给出了主要参数的计算公式。仿真结果证明了本方法的可行性。     

基于模糊竞争学习的模糊自校正控制

提出一种基于模糊竞争学习的模糊自校正控制方法.先通过基于模糊竞争学习确定一种在线模糊辨识算法,并给出递推模糊竞争学习算法收敛性证明.在采用此模糊辨识方法对对象进行在线估计的基础上,再用调节器实现参数的自动整定.为验证此法的有效性,还给出了非线性系统的控制结果.