关于高等院校师资补充方案预测的动态模型

本文针对高等院校师资补充方案的预测问题，给出了动态分析模型，并把模型化为一系列线性规划模型，利用单纯形算法求出问题的解。     

高校师资管理及建设方案的研究

独高校师资管理及师资建设一直是高等学府的一个重要课题,通过借鉴优秀高校的办学理念及经验,可以快速地提高自身学校的师资管理水平。本文通过分析了美国先进的教学理念总结了我国高等院校师资建设的不足,提出了一些可以加速我国高等学校办学水平的方案,具有一定的实际意义。     

论美国高校的师资竞争--兼谈对我国高校师资建设的启示

文章在介绍了美国高校师资竞争背景的基础上，分别从提高待遇，扩大权利，任职保障三个方面对美国高校的师资竞争问题进行了分析，最后就美国高校师资竞争对我国高等院校师资队伍建设的启示进行了初步的探讨。     

基于 ABC-BP神经网络的洪水预测研究

该文介绍了人工蜂群算法(ABC)和BP神经网络算法,详细阐述ABC算法优化BP神经网络的权值和阈值.通过实验仿真对比,该文提出的算法预测结果比仅仅使用BP神经网络算法以及混沌径向基神经网络模型算法精度更高,是一种有效可靠的洪水预测方法.     

二进制粒神经网络及其在分类中的应用

为了提高分类器的正确识别率并降低特征选择的时间复杂度, 提出二进制粒神经网络框架.在该框架下,提出一种二进制粒神经网络分类算法.该算法通过二进制粒矩阵将特征空间进行最优约简,并利用基于BP的学习算法实现分类;将该算法在UCI数据集上进行测试,并与BP神经网络分类算法进行比较.仿真实验表明,二进制粒神经网络分类算法比BP神经网络分类算法分类正确率更高,泛化能力更强,是一种有效可行的分类算法.     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.     

基于复合神经网络的网络业务分类算法

针对目前计算机网络业务流管理问题,提出了一种基于复合神经网络的网络业务分类方案．将复合神经网络用于网络业务源特征提取与分类的研究中,打包法和BP算法结合用于复合神经网络的训练．并分析比较与单个神经网络和模糊神经网络算法用于网络业务分类效果．计算机仿真结果表明,复合神经网络分类收敛快、误差小,比单个神经网络算法和模糊神经网络算法更优越；同时,研究结果为解决网络业务源特征提取与分类提供了一种有效的途径．     

前馈神经网络的二阶学习算法

前馈神经网络是神经网络中应用最广的一种。但由于神经网络采用Ｂ－Ｐ算法，收敛速度慢。在分析了神经网络算法原理的基础上，提出了一种基于变质量法的优化训练算法。仿真证明，这种算法能够大大提高神经网络的收敛速度。     

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.     

基于混沌模糊神经网络方法的短期负荷预测

针对模糊神经网络的BP学习算法提出改进,引入全局性较强的混沌搜索算法,提出一种基于混沌搜索学习算法的模糊神经网络模型.将改进的模型应用于短期负荷预测建模,应用我国南方某市电网的实际负荷数据进行实证研究.仿真结果显示改进后的模糊神经网络较改进前在同一样本预测中精确度提高了2.5%,增加算法运行时间仅为3.1 s,说明本文提出的新的负荷预测建模方法具有更好的预测效果.     

混沌神经网络预测算法评价准则与性能分析

为比较各种混沌神经网络预测算法的误差性能 ,该文提出了预测误差评价准则 ,即根均方误差 ,偏差 ,预测精度 ,决定度系数 ,绝对误差 ,以及一些归一化根均方误差等 ,并分析了它们在描述误差特征上的具体含义。针对两种混沌神经网络预测算法 (即全局神经网络算法和局部神经网络算法 ) ,利用该准则进行了性能分析 ,给出了合理的评价。结果表明 ,与混沌神经网络预测的局部模型算法相比 ,全局模型算法有更好的预测效果 ,且训练时间短 ,占用资源少 ,推广能力好     

自适应神经网络在短期负荷预测中的应用

采用基于混沌算法的自适应预测模型,应用于电力系统短期负荷预测.选取重构相空间中的饱和嵌入维数作为神经网络的输入节点数,适当选择非线性反馈项,能使网络的动力学在权空间具有混沌行为.通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,精度高.     

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

一种联合优化算法及其在混沌时间序列预测中的应用

为了提高混沌时间序列预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种基于遗传算法的混沌时间序列参数联合优化方法.该方法首先将相空间重构和预测模型参数作为遗传算法的个体,混沌时间序列预测精度作为适应度函数,通过选择、交叉和变异等遗传操作获得最优参数,最后利用混沌时间序列实例对联合优化方法进行验证性测试.实验结果表明:相对于传统参数优化方法,联合优化方法大幅度提高混沌时间序列的预测精度,为混沌时间序列预测提供一种新的思路.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于神经网络误差补偿的混沌系统广义预测控制

本利用BP结构神经网络，对混沌系统的建模误差进行预测，并将其补偿到广义预测控制中，以提高算法的鲁棒性，线性模型和神经网络的学习均采用阻尼最小二乘算法．仿真结果表明该算法对混沌系统控制的有效性．     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

Fusion prediction based on the attribute clustering network and the radial basis function

A fusion prediction method is introduced on the basis of attribute clustering network and radial basis functions. An algorithm of quasi-self organization for developing the model for the fusion prediction is introduced. Some simulation results for chaotic time series are presented to show the performance of the method.     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.