一个用于前向网络权值学习的改进型遗传算法

在遗传算法（GA）的基础上引入了梯度算法，用它在内层无互联的前向神经网络中代替传统算法来学习和优化仅值，并对算法的向个主要模块进行了描述，利用GA的突变性和全局最优化搜索可能的极值，用自适应代沟替代策略更好地进行优胜劣汰，利用梯度下降算法在较优极值点附近快速收敛，实验表明，这种算法的收敛速度比基本遗传算法要快得多，学习质量也比神经网络传统的算法有显著的提高。     

在Wolfe步长搜索下的一类新的共轭梯度算法

研究利用共轭梯度法求解无约束最优化问题.为了保证共轭梯度方向是目标函数的充分下降方向,对共轭梯度算法中的共轭梯度方向参数确定了一个取值范围并与Wolfe步长搜索相结合,提出了新的共轭梯度算法,使算法具有更好的收敛速度,特别是在求解大规模无约束最优化问题时,此算法只需要较小的存储.     

基于神经网络控制的共轭梯度法

共轭梯度法中搜索步长是通过某种搜索策略得到,许多情况下的收敛速度较慢.为了加快其收敛速度,提出了通过引入具有“先验知识“的神经网络对共轭梯度算法中的搜索步长进行控制.实验结果表明,该模型实现的共轭梯度法对于加快收敛速度有效.     

一种基于二阶导数的BP算法

根据神经网络模型的结构特点，将能量函数的二阶导数与最速下降方向相结合，构造出一种新型的ＢＰ算法，该算法比梯度法收敛快，较牛顿法计算量小，它适合于计算结构复杂的ＢＰ神经网络模型，理论分析表明该算法行之有效，计算机仿真达到了理想的效果。     

解带线性或非线性约束最优化问题的结合共轭梯度参数的记忆梯度Rosen投影算法

对于求解无约束规划的记忆梯度算法中的参数。作者利用Rosen投影矩阵给出了一个条件以确定其取值范围。使其在取值范围内取值均能得到目标函数的记忆梯度Rosen投影下降方向。从而建立了求解带线性或非线性约束最优化问题的记忆梯度Rosen投影算法．然后在较弱条件下证明了算法的收敛性。同时给出了具有好的收敛性质和较快收敛速度的结合FR，PR，HS共轭梯度参数的记忆梯度Rosen投影算法，从而将经典的共轭梯度法推广用于求解约束规划问题．由于算法需要较小的存储，算法适合于大规模问题的计算．数值例子表明算法是有效的．     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

一种前馈网络的新型混合算法

提出了一种针对前馈神经网络的混合算法,该算法将最速下降法与共轭梯度法相结合,有效地改善了传统BP算法收敛速度慢、可能陷入局部极小等缺点。两个仿真结果表明,该算法是有效的。     

基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时,收敛速度较快,但收敛精度往往不高;而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射,但在极值点处收敛速度缓慢.针对上述问题,提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法.该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络,以基本Elman网络隐层单元输出作为非线性系统的状态变量,通过Kalman滤波算法实现状态变量的快速准确跟踪,然后通过梯度下降法修正权值以保证精度.另外,在训练过程中,通过增加训练样本的信息内容来提高网络收敛的精度.仿真结果表明了该算法的有效性.     

引入二阶导数的梯度法

对最优化方法中的梯度算法进行了改进．当2f/x2=≠0时，将二阶导数与梯度方向相结合，构造出一种新的下降方向d=[1＋δ／（2f／x2）]（f／x），其中δ=1或-1．用新的下降方向设计了一种算法，使梯度法得到改进．新的算法比梯度法的收敛速度快，而且比牛顿法计算量小．     

改进BP神经网络在个人信用评估系统的应用

针对一般BP算法收敛速度慢和易陷人局部极小值的缺陷,提出利用一种自适应学习速率动量梯度下降反向传播算法对网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高,并将这种改进的BP网络应用于个人信用评估系统,验证了该方法的正确性和有效性.     

基于聚类与神经网络的无线通信联合调制识别新方法

针对现有基于聚类算法的信号调制识别在低信噪比时识别率低的缺点,文中采用聚类算法提取信号特征参数,通过变梯度Polak-Ribiere BP修正算法对神经网络进行训练,以提高收敛速度,改善在低信噪比条件下网络识别性能,实现对基于星座图调制方式信号的调制识别,仿真结果表明,在低信噪比条件下,调制识别率和单独采用聚类算法或基于BP算法的神经网络识别时比较提高30%以上,在信噪比为4d B条件下识别率可达到90%,且系统易于实现,在信号调制识别中具有广泛的应用前景。     

基于聚类法的协同神经网络学习算法

根据协同学理论的基本观点（模式识别的过程即为模式形成的过程）,对构造出的协同神经网络在模式识别中的应用进行了研究．发现伴随向量的性能直接影响到模式识别的成功率,而伴随向量是由原型向量计算得到．所以原型向量的选择对识别结果有着十分重要的作用．提出了一种基于聚类算法的选择原型向量的方法．通过对近千个样本进行的模拟实验,结果证明这种基于聚类算法的原型向量选择方法很有效,使识别率有了较大的提高．     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

B样条和图像梯度的单样本人脸识别

提出了一种基于B样条和图像梯度的算法用于单样本人脸识别。采用图像梯度方法进行人脸识别具有光照不变性等优点,但在图片有噪声的情况下,噪声信息会严重干扰梯度信息,识别率会大大下降。传统降噪方法,会在降噪的同时平滑图像,降低图像的梯度信息影响识别率。本文利用B样条滤波具有阶数可调的特点,根据图像的噪声值选取不同阶数B样条滤波,在降噪的同时最大程度的保留图像梯度信息以提高识别率。实验证明,基于B样条和图像梯度的算法在单样本人脸识别问题上识别率优于传统滤波方法。     

人脸识别的协同算法实现与改进

从协同模式识别的动力学方程出发,研究了协同识别算法中的序参量和注意参数,提出了变注意参数方法,推导了相应的变化方程,以加快人脸识别过程,减少迭代次数,对加噪人脸图像的识别实验表明,协同算法对噪声具有较好的鲁棒性,同时识别迭代次数减小至１／８左右,证实了变注意参数方法的有效性。     

一种改进的Canny边缘检测算法

图像中部分低强度边缘在梯度幅值特性上与噪声点十分相似,因此,传统Canny边缘检测算法在采用基于梯度幅值的双阈值法检测和连接边缘时,尽管抑制了噪声,但同时也损坏了部分低强度边缘.针对这一问题,提出了一种改进的Canny边缘检测算法,采用新的基于梯度方向的检测和连接方法取代了传统的双阈值法,充分利用了边缘点和噪声点在梯度方向特性上的差异,在抑制噪声的同时,有效保护了低强度边缘细节,具有优于传统Canny算法的性能.仿真研究也证明了该算法的有效性.     

基于HOG/PCA/SVM的跨年龄人脸识别算法

为了实现跨年龄的人脸识别,通过梯度幅值和梯度方向这2个重要的图像特征测量图像相似度,建立了一种方向梯度直方图 (HOG)、主成分分析 (PCA)和支持向量机（SVM）相结合的人脸识别算法.首先对从FG-NET数据库中选取的人脸图像作预处理,然后用HOG算法提取特征值,用PCA方法降维特征值,最后将样本输入到SVM中进行训练,人脸识别匹配度最高可达90.91%.实验结果验证了算法的有效性.     

径向基函数神经网络的一种在线学习算法

用在线学习算法和梯度法为学习规则,推导了径向基函数神经网络的在线学习算法,将影响网络输出的各个参数的学习过程作为一个整体来处理,并用Matlab实现了此算法.最后用一个26个印刷体大写英文字母的识别来验证此算法.实验的结果表明了该算法的正确性和有效性.     

改进的机载SAR相位梯度自聚焦算法

相位梯度自聚焦算法的关键步骤是加窗处理,窗宽度的确定决定了成像效果,宽度过大将会引入大量的噪声,反之将无法包含足够成像用的散焦信息.文中针对复杂场景中强散射点的划分不同,提出了一种改进的相位梯度自聚焦方法,该方法通过对强散射点的划分设定阈值,采用门限式加窗方法.与原有相位梯度自聚焦方法成像的比较中,在分辨率和清晰度上优越于原有方法,最后使用机载雷达真实数据对该方法的有效性进行检验.