基于MPSO-BP的RBF网络自构建学习算法

采用PSO混合编码,提出了一种基于混合MPSO-BP的RBF自构建学习算法。该算法中,每个粒子由整数与实数两部分构成,分别对RBF的基函数个数及相关参数(中心、宽度和输出层权值)进行编码。同时设计了一个特殊的适应度函数,在保证精度的前提下,使网络的结构相对简单,以增强网络的自适应与泛化能力,减少主观因素设计对网络性能的影响。仿真实验表明,相对于RBF其他学习算法,所提算法隐节点少、精度高、泛化能力强。     

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.     

有导师学习的k-means方法在多支持向量机中的线性划分及其在石油储层识别中的应用

提出了一种带有指导信息的k-means方法多支持向量机(SkSVM)。带有指导信息的k-means方法多支持向量机中k-means的目标是对训练数据进行划分,附加指导信息是保证k-means在对训练数据进行划分过程中确保数据的划分子集同时来自不同的2个类,即划分的子集中有正标签(+1)和负标签(-1)的数据,并且子集的中心尽量靠近不同类别的分离边界,保证提供的数据子集能够高效地为支持向量机进行学习。对每一个划分的子集采用支持向量机进行学习。选取UCI标准测试集对SkSVM和已有的FaLKSVM、SVM-KNN和CSVM算法进行对比测试。最后,用SkSVM、k-means和SVM等3种分类方法对江汉油田某区块oilsk81、oilsk83和oilsk85三口油井进行石油储层识别(油层和非油层),其中,各油井数据2/3作为训练数据,1/3作为测试数据,结果表明,在识别准确率上,SkSVM方法都优于其他两种方法。     

系统外时间约束下的网络计划优化问题

文章以平煤五矿己二采区巷道转移与设备安装工程项目为背景,根据其工期长、投资大、影响因素多、不确定性强等特点,采用PERT网络计划法绘制出网络图,接着以工期最短为目标.在系统外时间约束下,建立网络进度优化模型,并通过LINGO编程求出最优解,比原计划提前120 d.     

教育经济贡献率的一种软计算方法

提出了一种新的教育经济贡献率的软计算方法,该算法由4个步骤组成:①按照科学技术水平对目标系统进行模糊软分类,得到最佳分类数,从而确定了最佳的规则数;②根据规则数确定模糊神经网络的结构,建立人力资本到经济增长的模糊映射,即“一次滤波”,得到人力资本对经济增长的贡献率αk;③建立教育到人力资本的模糊映射,即“二次滤波”,得到教育对人力资本的贡献率α′k;④计算教育对经济的贡献率ECFk=αk×α′k。最后,用该算法来计算我国教育对经济的贡献率。     

储层含油性识别中ANN和GA融合的模糊规则提取

提出一种基于ANN和GA融合的自学习自适应的模糊规则提取算法,用来对油层进行识别.其方法是:首先运用人工神经网络(ANN)对训练样本进行有导师学习,网络的输入是测井属性,输出表达为网络权值和输入的函数Ψk=f(xi(WG1)ij,(WG2)jk)(其中:Ψk代表含油性类别Ck的判别函数;C1为干层;C2为水层;C3为差油层;C4为油层).然后,以Ψk作为遗传算法(GA)中的适应度函数提取对应于类别Ck的模糊规则.最后,通过某油田oilsk81和oilsk83油井的实证研究表明,该方法能够有效地识别储层的含油性.     

我国全要素生产力的模糊聚类

根据模糊聚类分析原理 ,运用软计算方法中的模糊等价关系和运用F -统计量对我国 31个省、直辖市的经济进行分类。分类结果为 4个类。     

基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)

利用神经网络的自适应、自学习等特点和模糊系统的人脑性等特点来弥补相互的缺点，使它们结合产生一种基于神经网络的模糊系统，并用该系统提取我国经济增长的模糊规则。     

中国城市群竞争力演变的多Agent仿真

通过建立城市竞争力评价指标体系,结合TOPSIS法测算城市竞争力,并对城市竞争力得分结果进行分析,提出了城市竞争力演变模拟函数和两种演变策略,然后采用多Agent仿真方法,给出城市群Agent学习算法,运用NetLogo仿真平台创建城市群竞争力演变模型,对城市群中不同主体选择自我提升策略和学习、合作策略过程进行模拟仿真,最终发现,提升城市群竞争力的关键所在是加强城市与城市之间的学习与合作.     

一种融合遗传算法和粒子群算法的改进模糊C-均值算法

针对模糊C-均值(FCM)算法必须预先给定聚类数c和容易陷入局部极小的缺点,提出了融合遗传算法和粒子群算法的GA-PSO-FCM算法.遗传算法(GA)嵌套在FCM算法的外层,用于自动寻找最优聚类数,并把有效性准则函数作为其适应度函数;粒子群(PSO)算法嵌套在FCM算法的内层,用于优化类中心向量,提高算法的全局搜索能力.最后,运用GA-PSO-FCM算法对Iris data、Wine data、Zoo data、WPBC data和WDBC data进行仿真实验,并与基于有效性准则函数改进的FCM算法、GA-FCM算法的仿真结果进行比较,表明GA-PSO-FCM算法能在预先未知聚类数的情况下,提高分类结果的精确性和稳定性.