R—收敛因子和Q—收敛因子之间的关系

收敛速度是衡量一个最优化算法好坏的重要指标。１９７０年Ｏｒｔｅｇａ和Ｒｈｅｉｎｂｏｌｄｔ给出了两种度量一个迭代过程收敛快慢的精确标志，笔者证明了当收敛阶ｐ＝１时，Ｒ－收敛因子和Ｑ－收敛因子是相等的，从中以用两种度量标志中的任何一种进行度量。     

收敛因子e-xy的一般推广及应用

探讨了收敛因子e^-xy的一般情况，并给出了其应用。     

几种收敛机制的比较

极限是数学研究其它问题的重要工具之一，其收敛机制在不同的课且中互不相同．本文旨在对数学分析、实变函数和概率论中所涉及到的几种收敛机制作一个纵向的剖析与横向的比较．     

融合动态收敛因子与黄金正弦的花朵授粉算法

为了解决传统花朵授粉算法收敛精度较低、易收敛到局部最优等问题,提出了融合动态收敛因子与黄金正弦的花朵授粉算法(DGSFPA).在异花授粉中引入动态收敛因子,来提高算法收敛精度.在自花授粉中进行黄金正弦优化,以增强跳出局部最优的能力.通过与其他3种算法在测试函数上的比较,验证了改进算法具有更高的收敛精度和更快的收敛速度.将DGSFPA应用于求解压力容器设计优化问题中,研究结果表明:改进算法所得4个设计变量值均比其他3种算法所得值小,且其总成本比花朵授粉算法减少5270.82元,比人工蜂群算法减少876.72元,证明了DGSFPA的有效性和可行性.     

一类步长因子下适应性滤波算法强收敛的充要条件

设｛Ｘｎ｝是一个递推的适应性滤波序列，本文将给出当步长因子条件下，Ｘｎ强收敛于Ｘ＊的一个充要条件，这儿Ｘ＊是最小均方意义下的最优值。     

快速确定轮廓波消噪收敛因子

轮廓波变换能够有效地快速逼近图像信号,在图像消噪方面优于小波消噪.为了更好地保留图像消噪后图像的纹理信息和边界特征,一般采用硬阈值的消噪方法.本文分析了目前存在的3种硬阈值确定方法速度较慢的原因,通过较小样本图像确定每个子带的3σ或4σ收敛因子,在保持消噪效果(峰值信噪比和视觉效果)的同时,极大地提高了阈值确定速度,并大大减小了确定收敛因子所需的内存空间.     

统计收敛与平均收敛

证明了有界序列统计收敛必平均收敛,并给出例子说明对于无界序列的这两种收敛不相互蕴含,最后还给出了有界序列统计收敛的一个充要条件.     

递归集不收敛的一个充分条件

通过实例证明了Dekking关于递归集的一个论断:"Lσ的特征值的模有一个小于1,Kn则不收敛."是不正确的.利用Hausdorff度量的性质,给出了一个递归集收敛的充分条件:当Lσ有一个特征值小于1,而S为σ的本性元,则Km不收敛.     

度量收敛与（R）积分的极限定理

给出了在度量收敛意义下，Ｒｉｅｍａｎｎ积分的积分号下取极限定理。     

平稳时间序列的预报误差方差估计的收敛速度

对平衡时间序列的基于过去观察值对将来值的预报，向前ｈ步预报误差的方差和可预报性度量是两个关键参数。本文给出由Ｂｈａｎｓａｌｉ提出的ｖ（ｈ）和ｚ（ｈ）的两种估计方法的收敛速度。     

蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

一种新的全局优化搜索算法--人口迁移算法(Ⅱ)

用概率论分析了新提出的求解函数全局优化问题的人口迁移算法的收敛性及动态特性。分析结果表明人口迁移算法依概率收敛到全局最优解。以找到问题全局最优解的概率为准则，给出了该算法工作在最坏情形时按迭代次数衡量的收敛速度估计，进而给出了该算法按给定概率收敛时的计算时间复杂性估计，即函数计算次数估计。     

基于自适应动量因子的区间神经网络建模方法

区间神经网络建模是区间控制的核心部分,也是提高系统鲁棒性的重要方法.针对区间神经网络算法收敛速度慢的问题,提出一种自适应动量因子算法.算法利用区间运算建立输入与输出数据的映射模型,通过引入具有自适应特性的动量项,使用最速下降法对动量项进行自适应更新,在加快系统收敛速度的同时,克服系统稳态误差大和容易陷入局部最小值的弊端.典型算例实验表明:区间神经网络能够较为精确地建立区间网络模型,自适应动量因子算法提高了区间神经网络整体性能.     

基于 CS 的神经网络在抽油机故障诊断中的应用

为提高抽油机故障诊断效率, 提出了在布谷鸟搜索算法(CS: Cuckoo Search)中加入自适应步长, 并 用函数进行测试, 结果验证了改进算法的有效性。 用改进的 CS 算法优化 BP(Back Propagation)神经网络 的权值和阈值, 并与传统 BP 算法进行比较, 证明了改进的 CS 算法克服了传统算法训练速度慢、 易陷局 部极值的缺点。 将优化的神经网络应用于抽油机故障诊断中的实验表明, 该算法具有较快的收敛速度和 较好的稳定性, 同时也提高了抽油机故障诊断的精确性。     

一种非光滑优化算法收敛速度的估计

以非光滑优化理论为基础,对算法TR的收敛速度作了估计,并证明了算法的线性收敛性.     

一种最短路径分析优化算法的实现

在对地理信息系统中最短路径分析的实现方案和现有各种最短路径分析算法进行分析、研究的基础上,提出了“优化Dijkstra算法”。该方法使Dijkstra算法的搜索方向明显趋向于目标结点,减少了算法中遍历的结点数,从而提高了搜索速度。总结出两个Dijkstra算法的优化途径：对搜索到的临时标记结点按照最短路径值排序;减小结点的搜索范围即减少永久标记结点的数量。     

带有侦察子群的蚁群系统

针对基本蚁群算法收敛速度慢、容易出现停滞等缺陷,提出一种新的蚁群优化算法--带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群,在优化过程中侦察子群以一定概率做随机搜索,提高了解的多样性;在信息素更新策略上同时使用本代和全局最优蚂蚁,兼顾了本代和历史的搜索成果;同时还采用LK变异算子,对每次搜索的解进行局部优化.最后对三个典型TSP实例进行了仿真实验,结果表明新的算法不仅能够克服早熟现象,而且能够大大加快收敛速度.     

最小均方算法用于数字信号的性能

为了获取最小均方 (LMS)算法用于数字信号的性能 ,提出了一项新的性能参数——误码率。分析了误码率与算法均方误差之间的关系 ,在实验的基础上给出了两者之间的一个近似函数表达式。并重点研究了算法步长对收敛速度、稳态失调量、误码率这三项性能参数的影响 ,以及步长确定的原则 ,为数字信号领域使用 LMS算法提供了一些理论基础。     

一种复杂背景下非规则带状区域的分割算法

边界层辐合线具有很强的气象风暴灾害的预示能力,它在多普勒雷达图像上表现为一条蜿蜒的、可能有岔路的、宽度不定的、取值变化的、若隐若现的带状区域.为此,提出一种"探测窗"协同加深"印象"算法,用于提取这种具有复杂背景的非规则带状区域.其中,探测窗探身于复杂对象的局地,用以击中疑似局部目标区,并将区域形态、取值等特点纳入探测准则之中,加深"印象"法有利于进一步地去伪存真.实验表明,该算法可以将落入值域的各种边界层辐合线提取出来.