基于多表达式编程的汇率预测的研究

由于汇率预测(Exchange Rate Prediction)是一种不确定、非线性、非平稳的时间序列预测问题,传统的方法往往难以得到满意的结果.多表达式编程(Multi Expression Programming,MEP)是一种新型的线性编码的遗传编程(Genetic Programming)的变种.提出一种克隆选择算法优化的多表达式编程模型对国际上3种重要的汇率数据进行了建模和预测,实验结果表明,该模型克服了传统进化算法优化的遗传编程及人工神经网络早收敛、难以找到全局最优解的缺点,取得了令人满意的结果.     

入侵检测的CPN改进算法的研究

结合神经网络方法,对入侵检测技术的聚类分析方法进行了研究和分析,探讨了在传统的对偶传播神经网络（Counter Propagation Networks,CPN）的基础上,引入基因表达式编程（Gene Expression Programming,GEP）对聚类进行优化,提出一种应用于入侵检测的CPN改进算法,该方法融...     

演化参数反演方法

给出了一类基于演化计算的演化参数反演方法，此类方法既可以给定参数的函数类，用遗传算法（Genetic Algorithms)来反演参数的最优估计值，也可以不指定函数类形式，用遗传程序设计（Genetic Programming）的方法反演出最优的函数模型，使参数反演实现客观化、自动化、由此建立反演系统后，在使用过程中可以根据最新获得的数据对模型中的物理参数作适时校准，一旦发现预报误差较大，就利用演化算法及时修正方程中的参数以改进预报，运用该方法于椭圆边值问题的物理参数反演的数值模拟，证实了此方法的有效性，为物理模型和的反演提供了一种崭新的实用方法。     

基于参数估计的遗传程序设计方法

在遗传程序设计算法中 ,针对应用传统的遗传程序设计方法 ( Genetic Programming,GP)解决符号回归问题所遇到的困难 ,嵌入一个基于模拟退火思想的参数估计过程 ,得到更为精确的参数和个体结构 .实验表明 ,此方法提高了 GP系统求解问题的能力     

求解弹塑性有限元问题的神经网络方法

利用神经网络优化计算原理,引入LPNN(Lagrange Programming Neural Network)模型求解弹塑性有限元问题.通过采用非线性函数作为神经元的传递函数,使神经网络的非线性问题同力学的非线性问题得到统一.对两个简单的弹塑性问题进行了数值仿真,计算结果表明了该方法的正确性及有效性.     

基于遗传-神经网络的交通量预测

分析了遗传算法 (Genetic Algorithm,GA)和人工神经网络 (Artificial Neural Network,ANN)的优缺点 ,在此基础上提出了将遗传算法与人工神经网络有机结合起来的遗传 -神经网络预测模型 ,并将此模型用于河北省交通量预测 ,其预测结果的精度明显得到提高 ,表明遗传 -神经网络预测模型可以作为交通量预测的一种有效手段。     

面向低资源场景的论辩挖掘研究

由于论辩挖掘任务的复杂性，其往往需要大规模的相关语料进行训练；但当前的研究工作大多是针对单一领域数据进行建模求解，在数据较为匮乏的新兴领域中，论辩挖掘任务难以开展。因此，提出了一种面向低资源场景的多任务学习的论辩挖掘方法。该方法首先通过卷积神经网络（CNN）和高速神经网络（Highway）对原文本的字符信息进行编码，获得多个数据集在词级的共享信息表示，然后由双向的有序神经元-长短时记忆循环神经网络（Bi-ON-LSTM）进一步处理词级信息和任务相关特征的联合表示,挖掘文本中潜藏的层级结构信息。最后使用条件随机场（CRF）对模型进行求解得到最终的序列标注结果。该文实验采用德国UKP实验室的学生论文数据集、维基百科文章等六个数据集进行相关的对比实验。实验结果表明，该文提出的方法在宏观F1值上较基准模型有1%-2%的提升，有效地提升模型的整体性能。     

前馈网络构造性设计中基于GP实现神经元激活函数类型优化

讨论了在前馈网络构造性设计中如何基于遗传编程(GP)实现神经元激活函数类型自动优化的问题.首先,提出了典型前馈网络的一种构造性设计方法框架,将整个网络的设计分解为单个神经元的逐个设计;然后,在此框架下提出了基于GP的单个神经元的设计方法,该方法可实现对激活函数类型的优化.仿真实验显示,本文的前馈网络构造性设计方案是可行的,与其他几种不优化激活函数类型的网络设计方法相比,本方法更有效,能用较小的网络规模获得更满意的泛化特性.     

改进的Miller矩阵编码及其在进化人工神经网络中的应用

Miller等人提出的矩阵编码方法要求神经元的数目预先固定，且基因数目是神经元数目的平方，另外，它是一种二进制二进制编码，使用矩阵表示的网络结构却无法编码权值，从而限制了它的使用，提出了改进的Miller矩阵编码方法，该方法采用实数编码，可大大减小编码的冗余，能用于神经元数目在一定范围内可变的场合，所设计的进化神经网络经实际应用取得了很好的结果，表明该方法是有效的。     

在内部演化硬件中实现自适应变异参数控制

为了在演化过程中优化演化算法性能和避免花费大量时间在演化算法的参数设定中,设计了一种新颖的基于硬件实现的自适应变异比率控制方法.为了实现自适应特性,变异比率控制参数也被编码到染色体中作为附加的基因经历演化操作.本方法的有效性将通过和传统的采用固定变异比率的演化算法在演化4-bit偶校验函数(even-parity function),2-bit乘法器和3-bit乘法器的对比实验中进行证明.实验平台建立在一个完全FPGA实现的内部演化硬件上,它的设计思想来源于笛卡尔遗传程序(Cartesian Genetic Programming).在所有实验中,基于自适应变异比率控制的演化算法的性能明显优于传统的采用固定变异比率的遗传算法.     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。     

基于熵准则的神经网络设计方法

神经网络的结构设计一直是研究者关注的基本问题．提出了一种构造神经网络的方法——EBNN．该方法采用熵作为第一层神经元的选择准则,在选择第一层神经元的同时可以得到隐层和输出层的神经元,并对神经网络参数进行合理的初始化．该方法不仅能有效地建立神经网络的结构,还提供了信息性增量学习的可能性．     

用PSpice模拟神经网络的功能描述法

提出了在ＰＳｐｉｃｅ上模拟神经网络的一种新方法－功能描述法。该法以传递函数的形式描述非线性神经元；它具有精度高、无动态范围限制、编程简单等优点，可有效地模拟多种神经元。通过对Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ神经网络实现的Ａ／Ｄ转换器和线性规划电路的模拟，验证了该方法的有效性。     

车辆单神经元模型参考自适应控制算法研究

针对智能车辆油门控制系统,提出了一种单神经元模型参考自适应控制算法.首先通过实验研究获得油门控制系统的传递函数,再以该函数获得的数学模型为依据设计了自回归滑动平均模型（NARMAX）神经网络,并对系统输出进行离线辨识和在线预测.采用免疫模糊思想改进二次型单神经元控制算法,构建基于NARMAX神经网络预测的模型参考自适应控制系统,定义了一种评价车辆纵向运动的目标函数,采用浮点遗传算法寻找各控制器的最优值.仿真结果表明,NAR-MAX神经网络可辨识和预测车辆油门系统的动力特性,与免疫模糊和二次型单神经元算法相比,单神经元模型参考自适应算法的阶跃响应速度显著提高.     

混沌神经网络模型中的模拟退火策略

混沌模拟退火法（CSA）是一种能有效解决局部极值问题的全局最优化算法，其神经元的自反馈连接权值zi的演变函数称为退火函数，它影响暂态混沌神经网络（TCNN）优化方法的准确性和计算速度，文中通过比较单细胞TCNN模型CSA中两种最常用的退火函数（线性退火和指数退火函数），给出了一种新的分段指数退火函数，使得算法的收敛速度加快，搜索精度增加。并利用推销员问题（TSP）验证了新的分段退火函数优于前面两种退火函数策略。     

细胞神经网络在地图识别中的应用

一幅图形元素的轮廓线的表示等价于具有不同最小检测宽度的直线的表示，在本文中，基于细胞神经网络（ＣＮＮ）理论，提出了一种提取和分离地图元素的方法。还给出了提取和分离一个小街区网络图的结果。模拟结果是令人满意的。     

一种新的并行排序算法研究

讨论了一种新的并行排序算法，基于前馈阈值神经网络结构，该排序模型利用Ｏ（ｍｎ＾２）个神经元经６个时间步（６级前馈）即可完成排序，排序时间与排序规模无关。     

采用BP-GA算法的一种LSI神经网络的电路设计

将误差反传 (BP)算法和遗传算法 (GA)有机地结合在一起 ,提出了一种新的算法 BP- GA。采用 BP- GA算法 ,设计了一个两层前向 L SI神经网络。作为神经网络的关键部件 ,提出的新型神经元性能优越。它的激活函数与理想sigmoid函数拟合很好 ;可实现对阈值及增益因子的编程并且不同增益因子下饱和输出电压值相同。采用标准 1.2 μmCMOS工艺的模型参数 ,对该两层前向神经网络电路进行的HSPICE模拟证明了它有解决异或 (XOR)问题的能力     

一种新的并行排序算法研究

讨论了一种新的并行排序算法．基于前馈阈值神经网络结构，该排序模型利用Ｏ（ｍｎ￣２）个神经元经６个时间步（６级前馈）即可完成排序，排序时间与排序规模无关     

改进的多版本软件扩展表决系统

本文提出了一种改进的扩展表决系统，该系统是利用自动分析表决系统可靠性等参数的工具来构建的。在软件容错中采用N-模块冗余（N-Modular Redundancy-NMR）及N-版本编程（N-version Programming），应用表决技术，可以屏蔽整个软件系统中出错的部分。在实践中直接应用理论的表决模型会发现很难得到理论分析的结果。针对这样的问题，本文提出一种基于多数（plurality）的扩展表决系统：使用构造决策树的方法和进行DFT遍历作为自动化的计算工具；通过对基本的多数表决系统进行模型扩展，加入指导性规则对决策树进行重构，以自动计算工具的结果作为参考，从而选择更加可靠的表决结果作为输出。最终的模拟测试表明，所提出的扩展表决系统能够提高系统输出的正确率。