基于贝叶斯网络的复杂系统故障预测

针对复杂电子系统信号具有不确定性的特点,提出一种基于贝叶斯网络的故障预测模型。该模型通过对连续的信号特征进行量化处理,利用专家知识结合信号建立贝叶斯网络结构;对不同样本采用不同算法来进行网络学习,采用概率推理定量估计信号的区间预测概率,从而建立一个可推理的预测模型。将该方法应用于电源系统进行故障预测,针对不同数据样本进行实验,结果验证具有较高的区间预测率,为复杂系统的故障预测提供了新手段。     

基于离群聚类的异常入侵检测研究

提出了一种离群聚类算法,并分析了算法抗例外点干扰的能力.离群数据是远离其它数据的数据,网络中异常入侵数据的实质就是离群数据,因为异常入侵记录往往呈现小样本和多变性的特点,并且偏离正常网络连接记录.通过定义新的异构样本的相异性度量方法,提出了一种基于离群聚类无监督学习的异常入侵检测方法.仿真实验表明了方法的有效性和实用性,在总检测率方面优于文献中已有的其它方法.     

基于Bloch球面旋转的量子自组织网络聚类算法

为提高自组织网络的聚类能力,提出一种基于Bloch球面旋转的量子自组织网络聚类算法.通过使样本数据作为量子比特相位,将样本映射为Bloch球面上的量子比特,将竞争层权值映射为Bloch球面上随机分布的量子比特;通过计算样本和权值的球面距离最小值,确定获胜节点;通过使获胜节点及其邻域节点在Bloch球面上向着样本旋转来调整这些权值,直到算法收敛.该方法的明显优势在于有较高的聚类精度.以鸢尾属植物样本聚类为例,实验结果表明,提出的方法明显优于传统自组织网络、K-均值聚类等算法.     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

一种改进的BP算法

讨论了网络学习过程中的假饱和现象，并给出了克服方法，同时，也讨论了学习样本输入编排机理，给出了一种避免网络学习出现的局部极小的算法。通过实例验证此方法非常有效。     

基于改进PSO算法的传感器网络覆盖优化

当无线传感器网络(wireless sensor network,WSN)采用概率覆盖模型时,难以采用几何方法进行网络覆盖率的优化。针对这一问题,通过提出一种改进粒子群优化(particle swarm optimization,PSO)算法,有效提高了WSN网络的覆盖率。首先对粒子越界处理的方法进行推了广,提高了其适用范围;其次,针对PSO算法容易陷入局部最优解的问题,通过对粒子探索能力进行增强,提出了一种探索能力增强型PSO(explorative capability enhancement PSO,ECE-PSO)算法,有效改善了种群陷入局部最优解的缺点。基于概率覆盖模型的WSN覆盖优化的仿真验证表明,ECE-PSO算法显著提高了解的质量,有效改善了算法收敛于局部最优解的缺点,且ECE-PSO算法具有较强的稳定性。     

有限样本下模型选择理论与方法研究

从理论上给出有限样本下模型选择的方法,详细讨论了样本噪声对模型选择的影响,提出了一种次优模型选择算法,并进一步给出了一种推挽式模型选择算法,它能够有效地提高模型选择的学习速度。两种算法具有很强的抗噪声能力,预测模型也具有很好的推广性。最后通过具体数值试验验证了上述理论和方法的可行性和优越性。     

概率地图UAV航线规划的改进型蚁群算法

采用蚁群算法对基于概率地图(PRM)的UAV航线规划问题进行研究.在概率地图对战场环境进行描述的基础上,对航线规划蚁群算法进行设计.针对基本型蚁群算法易于出现停滞现象以及搜索效率不高的特点,将再励学习(RL)机制引入到基本型蚁群算法中,提高了算法的搜索效率和求解精度.仿真结果表明该方法是一种有效的航线规划方法.     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法，通常采用先特征提取、再进行目标分类的两步识别算法，这种算法存在识别率难以提高和方法泛化性不足的问题，对此，提出一种增强条件生成对抗网络（strengthening condition generative adversarial network，SCGAN）+卷积神经网络（convolutional neural network，CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征，无需特征提取，实现对目标的一步识别。为进一步提高小样本条件下的识别效果，基于CGAN理论来提高样本在特征空间的覆盖程度，并对CGAN的判别器进行改进，在损失函数中增加混叠惩戒项，通过SCGAN生成不混叠的生成样本来更好地训练CNN，提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性，以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

前馈神经网络的一种连续型学习算法

本文给出前馈神经网络的一种连续型学习算法，对传统的ＢＰ算法作了改进。分析了该算法的收敛性。通过实例与传统ＢＰ算法进行比较，该算法可以明显提高网络的收敛速度，说明它是一种实用的学习算法。     

复杂地形下传感器网络中传感器的放置模型与算法

有效的传感器放置能改善网络覆盖、减小网络中的通讯量,是传感器组网过程中必须解决的关键问题.研究和分析了不同网格结构的性能,建立了用于传感器放置的地形模型,提出了-种基于矢量地图数据的传感器放置算法.算法以优化传感器数目为目标,将传感器放置在能带来最大有效变化的网格节点上.仿真实际表明,与现有传感器放置算法相比,算法具有更高的效率.     

基于遗传算法的无线传感器网络覆盖控制优化策略

针对节点高密度部署的无线传感器网络中优化工作节点集的选取问题,提出了一种基于遗传算法的覆盖控制优化策略：设计了密度检测机制优化初始种群,保证种群质量;采用精英操作,提高优化速度;引入禁忌思想,设计了两种禁忌操作,实现局部有效搜索,优化全局搜索。仿真实验及分析表明,该策略快速有效地实现了工作节点数目少、节点集覆盖率高的工作节点集的优化选取,在获得较高覆盖质量的条件下休眠了更多的冗余节点,可有效地降低能耗,延长网络生存时间。     

一种小波神经网络结构及其学习算法研究

基于仿射小波神经网络的逼近原理和结构设计问题 ,本文提出了一种新型小波神经网络结构 ,研究了其结构化设计方法和相应的学习算法 ,优化组合小波基元激励函数 ,实现了小波神经网络权系数的二次学习 ,避免了“维数灾”问题 ,改善了网络学习特性。计算机仿真结果表明 ,研究的小波神经网络结构及其学习算法简单有效 ,函数逼近更精确     

设施拥堵状态下的层次性备用覆盖网络模型与改进遗传算法

经典的分层覆盖位置问题(HCLP)是在有限预算内找到设施位置以提供分层服务的问题.这个过程中,需求点的差异化服务需求可以来自层次型网络中不同服务可用性的设施.我们设计了混合服务可用性的层次型网络,通过讨论层次型设施数量为定量和变量的情况构建混合层次网络备用覆盖问题的整数规划模型,并设计、改进元启发式算法来求解问题.结果表明考虑变量的混合服务可用性的优化模型在一次覆盖中能更好的满足客户的需求,而其备用覆盖能力和系统造价并非始终优于单类型层次网络;建议的启发式算法在合理的计算时间内产生高质量的解.     

一种构造径向基神经网络的新型IPL算法

提出了一种新型的IPL(incremental projection learning)算法。该算法通过调整网络参数,达到修正IPL 算子A的目的。与原来的IPL算法相比,新算法所需训练样本数较少,步骤简单,训练速度快。仿真结果表明,由 经过改进的。IPL算法得到的径向基网络结构相对简单,结果也较精确。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

基于混合自适应Memetic算法的贝叶斯网络结构学习

Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。     

变结构离散动态贝叶斯网络及其推理算法

目前的动态贝叶斯网络的研究,是定义在每一个时间片的静态贝叶斯网络结构和参数都一致的基础上,对于过程突变,参数变化等情况就难以适应.为了解决这个问题,提出变结构离散动态贝叶斯网络的概念,并根据概率和动态贝叶斯网络的理论,推导出变结构离散动态贝叶斯网络的推理方法,对算法进行了验证并结合环境变化时的路径选择问题,进行了计算仿真.计算和仿真结果证明了文章提出的变结构离散动态贝叶斯网络的概念和推理算法的正确性.     

基于节点属性的社群结构探测算法改进

对Vincent D. Blondel等提出的B算法的特点及机理进行了分析, 讨论了节点属性对社群结构探测的可能影响. 进而通过重构初始化网络, 控制节点(社群)合并过程两个方面, 对B算法进行了改进, 获得更优的模块性指标及对应的社群划分. 经计算机模拟网络与实际网络的社群结构探测, 结果表明所提改进算法有效可用, 能在获得较大模块性指标的同时, 获得较好的社群划分结果, 且拥有更低的运算时间.