一种用于独立分量分析的准最大期望算法研究

对于给定的独立分量分析（ICA）的对比函数,提出了一种准最大期望学习算法及其迭代方法,这个算法研究了在批处理方法下寻找最优解,并用类似于证明EM算法收敛的辅助函数证明了该算法的收敛性.计算机仿真表明,该算法比Past-ICA算法鲁棒性好.     

用变换函数解带线性约束的全局最优问题

结合变换函数方法和下降算法对目标函数有多个极值点且带有线性约束的非线性规划全局问题提出算法.使用的变换函数兼具填充函数和打洞函数的特点.在理论上证明如果当前局部极小点不是全局最优解,一定存在一个变换函数的极小点使得该点的目标函数值小于当前局部极小点的函数值,且该点位于原问题的可行域内.以此点为初始点求解原问题可得到更好的局部极小点.     

一种基于跳出局部最优机制的自适应响应面方法

【目的】针对昂贵黑箱函数优化问题提出一种能够更好平衡局部搜索和全局搜索的响应面方法。【方法】对径向基函数响应面约束优化算法进行了改进,首先增加了判断陷入局部最优的机制,然后引入填充函数方法辅助选择新采样点,进而利用新采样点跳出局部最优。【结果】在37个公开的全局优化算法测试问题上的数值实验表明,本文提出的基于填充函数跳出局部最优机制的自适应响应面算法能够收敛到更好的近似全局最优解。【结论】基于填充函数方法的局部最优解跳出机制能够提升算法的全局搜索能力。     

变量有界的具有线性分式目标函数的规划问题

本文讨论了变量有界的具有线性分式目标函数的规划问题，给出了一个基可行解是最优解的条件及迭代步骤，并证明了算法的有效性。     

非精确搜索一维全局最优化方法

研究一维全局最优化问题的确定性求解方法。运用逐次建立目标函数的线性下界函数,将不含全局最优解的子区域删除,并基于非精确搜索结合下降算法而得出非精确搜索一维全局最优化方法,使计算量减少且使迭代收敛加快。迭代结束时该算法得到一维全局最优化问题的ε－全局最优解。该方法具有有限收敛性且不需精确的局部优化过程。文中的数值实例表明该算法的有效性。     

无罚函数无滤子的非单调无二次规划方法

提出了求解光滑不等式约束最优化问题的非单调无罚函数无滤子的无二次规划非可行域方法.通过乘子和非线性互补函数,构造一个等价于原约束问题1阶最优条件的非光滑方程组.在此基础上,通过牛顿-拟牛顿迭代得到满足1阶最优条件的解,在迭代中采用了无罚函数无滤子的非单调线搜索方法以避免罚函数的选取和滤子的存储,使得目标函数或者约束违反度函数具有充分的非单调下降,试探步更易于接受.算法不要求迭代点和初始点严格可行.该算法是可实现的,具有全局收敛性.另外,在较弱条件下可以证明该方法具有超线性收敛性.     

一种基于全局最优的改进的正弦余弦算法

针对正弦余弦算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的正弦余弦算法.该算法利用分群的思想将群体分成两个子群,并利用群体中的最优信息改进已有迭代公式,借鉴共生生物搜索算法的思想设置新的迭代公式,使得在进化过程中各子群使用不同的迭代公式,通过子群间的协作与竞争来实现对最优解的搜索.函数优化问题和实际问题的实验结果表明了该算法的可行性和有效性.     

求解混合整数双层规划的凸组合算法

利用罚函数思想和最优值函数的概念将混合整数双层规划转化为连续变量的单层非线性规划,然后用事先确定步长的凸组合算法迭代求解此单层非线性规划,进而得到原双层规划的局部最优解.     

求解单调变分不等式的投影算法

在求解变分不等式的投影算法中提出了新的搜索方向函数,新算法每步产生的迭代点到最优解的距离严格单调下降,并且当算法产生的迭代点收敛到最优解时,搜索方向函数不收敛到零。在F单调且连续的假设条件下证明了算法的全局收敛性。数值实验表明了算法的有效性。     

一种混合遗传禁忌搜索的模糊聚类算法

传统基于目标函数法的模糊聚类算法是一种迭代的"爬山"算法,容易陷入局部最优解.提出了基于遗传算法与禁忌搜索结合的模糊聚类算法,综合运用遗传算法的多出发点和禁忌搜索的记忆性来改善聚类的效果,并通过迭代的遗传禁忌搜索算法产生最优聚类中心,实验中分别通过人工数据和标准数据测试验证了该算法的有效性.     

由小波滤波器系数求尺度函数和小波函数

为更好地将离散小波变换和连续小波变换联系起来,在分析了现有的由小波滤波器积法求尺度函数和小波函数的方法的基础上,提出了对迭代卷积法的一种改进算法,同时给出了迭代卷积法的收敛判定方法,并分析了改进后算法的优势.实验结果表明该算法是有效的.     

基于细胞自动机规则198的单向散列函数

 基于周期边界一维三邻居细胞自动机规则的非线性特性, 结合细胞自动机与传统单向散列函数的优点, 提出一种基于细胞自动机动态参数的单向散列函数设计方法. 在以MD5算法为核心的迭代结构下, 将上一步迭代的输出寄存器值经过规则198演化一次后作为本步迭代的迭代参数, 从而实现了明文消息变化的二次扩散, 并最终输出128比特散列值. 实验结果表明, 该算法对明文的变化极其敏感, 具有强而稳定的混乱和扩散性质及较优的软硬件实现速度, 实用性较强.     

基于综合目标函数的神经网络多新息辨识算法

为提高动态神经网络学习算法的辨识精度及抗噪性能,提出一种基于综合目标函数的多新息辨识算法。该算法基于多新息理论在最小均方误差目标函数中引入一辅助项构造综合目标函数,利用该目标函数进行网络输出层权值的训练,并采用牛顿法推导出输出层权值的递推计算公式。与已有二阶学习算法相比,新算法鲁棒性强,收敛速度快,辨识精度高。仿真结果验证了算法的有效性。     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

基于镜像学习和复合二次距离的手写汉字识别

为解决手写汉字识别中的相似字混淆问题,提出了一种基于镜像学习和复合二次距离的识别算法,提高现有的二次分类器对相似汉字的鉴别能力。该算法为识别置信度较低的训练样本生成镜像虚拟样本,通过迭代训练来调整易混淆字符类别间的分类界面,并对二次分类器给出的候选字使用复合二次距离进行两两鉴别,以减少识别错误。在HCL 2000样本库上的实验表明,该算法能有效提高手写汉字识别的性能,测试集上的误识率下降了20%。     

一种基于标准峭度的新型复数盲分离算法

在复值信号的盲分离算法中,经常采用信号的峭度最大化作为代价函数.以复数标准峭度代替复数峭度,将复数信号的标准峭度最大化作为新的代价函数,采用修正的复值拟牛顿迭代算法对代价函数进行优化,并运用该算法对混合QAM信号进行分离.仿真实验结果表明:改进后的算法具有很好的分离效果,相比于峭度最大化为代价函数的分离算法,收敛性能有明显提高.     

非线性规划的一种全局收敛算法

定义了一种偏离Ｋｕｈｎ－Ｔｕｃｋｅｒ三元点的度量函数的基础上，，对一般连续可微非线性规划提出了一个新的全局收敛算法。利用这个算法在获得问题最优解的同时，还得到了与最优解相应的Ｌａｇｒａｎｇｅ乘子。把这种算法应用于二次规划，得到了二次规划的一种的迭代法。最后给出了一个计算实例。     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.     

基于自然梯度的非平稳信号自适应盲分离算法

基于自然梯度原则并利用信号的时间相关属性对一类代价函数进行推导,获得一种新的非平稳信号自适应盲分离算法．算法利用样本的多时延解相关方法以及迭代计算的形式获得盲混合信号的分离矩阵,无需对观测样本进行分块处理,计算工作量低．仿真结果表明,算法分离精度高,迭代过程平稳,对多个信号源的盲分离可实现良好的分离性能．     

MIT中灵敏度矩阵的聚类优化

针对灵敏度矩阵的几何差异性问题,提出了一种基于聚类优化的灵敏度矩阵方法.首先,分析了灵敏度矩阵的几何差异性对MIT图像质量的影响;然后,基于几何差异性对灵敏度矩阵的向量进行聚类分组,应用能量函数对分组后的灵敏度向量赋予不同权值,构造一种聚类优化的灵敏度矩阵;最后,应用优化后的灵敏度矩阵,通过线性反投影算法和牛顿-拉夫逊迭代算法进行MIT图像重建.实验结果表明:采用聚类优化的灵敏度矩阵,使线性反投影算法的均方误差降低26%以上,图像相关系数提高10%以上, 使牛顿-拉夫逊迭代算法的均方误差降低5%以上,相关系数提高4%以上,证明了所提方法的有效性.