基于支持矩阵的频繁集增量更新算法改进研究

针对FUP算法在频繁集增量更新时,剪枝效率低下以及候选集验证速度慢的缺陷,提出了基于支持矩阵的频繁集增量更新的高效挖掘算法—SMFUP算法.该算法不仅采用支持矩阵进行整体剪枝来提高剪枝效率,而且进一步结合频繁2项集矩阵加快候选频繁集的验证速度,从而使算法的增量更新效率大大提高.最后通过实验证明了算法改进的有效性.     

Hermite正交基前向神经网络的权值直接确定法

根据多项式插值与逼近理论,提出了一种基于Hermite正交基的前向神经网络模型．该神经网络采用3层前向结构,以一组Hermite正交多项式作为隐层神经元的激励函数,而输入输出层神经元则采用线性激励函数．依据误差回传（BP）算法给出了权值修正的迭代公式．区别于以往反复迭代训练而达到最优权值的标准做法,针对该Hermite正交基前向神经网络模型,进一步提出了一种基于伪逆的直接计算权值的方法（即一步确定）．该权值直接确定法避免了以往的权值反复迭代的冗长训练过程,仿真结果显示其具有比传统的BP迭代法更快的计算速度和工作精度．     

优化的BP神经网络在预测电动汽车SOC上的应用

为了提高BP神经网络预测模型对电动汽车电池SOC值预测的准确性,采用遗传算法GA和粒子群算法PSO两种优化算法分别对BP神经网络进行优化,即优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解。将该方法应用到预测电动汽车电池的SOC值中并与实际测量的SOC值进行验证比较。仿真实验表明,经过粒子群算法优化后的BP神经网络预测电动汽车SOC值的误差在1.0%~4.4%之间,明显优于采用遗传算法优化的误差范围1.6%~10%和传统的BP神经网络误差范围2.0%~72%。     

基于神经网络的常微分方程数值计算方法

科学与工程应用中常用微分方程来建模,提出了一种基于余弦基神经网格的计算微分方程的新方法,其基本思想是以神经网络的输出来近似初值问题中的解析解.为保证算法的收敛性,提出并证明了神经网络算法的收敛性定理,为神经网络学习率的选择提供了依据.通过实例证明了该算法的有效性.     

多脉冲发放的Spiking神经网络

针对允许神经元发放多个脉冲的Spiking神经网络(SNN)的学习,提出采用更接近生物神经元的SRM模型,更全面地考虑了神经元在发放脉冲后的状态变化,并采用BP学习算法调整神经元的不应期. 通过对XOR问题、IRIS数据集以及泊松脉冲序列的测试,表明这种多脉冲发放的SNN比单脉冲发放的SNN能够更有效地传递信息,提高学习速度.     

双输入型模糊前向神经网络的构建

利用高斯型隶属函数作为隐层神经元激励函数,构建了四层模糊前向神经网络.根据从训练数据集中提取出的插值样本数量来确定隐层神经元个数.网络结构确定后,基于二元函数逼近论确定最优权值,得到双输入型近似插值神经网络,说明了最优权值的双输入型模糊前向神经网络的实现过程.计算机数值仿真实验表明所构建的网络在运行时间、逼近精度与去噪效果等方面是有效的,丰富了多输入神经网络的构建方法.     

蚁群聚类神经网络的耳语音声调识别

提出了一种基于蚁群聚类神经网络的汉语耳语音声调识别方法.根据耳语音发音特点,以听神经平均发放率、幅值包络、共振峰、声道长度等构成的多维矢量描述声调特征,采用蚁群聚类算法将多维特征矢量聚类后,送入局部有监督特征映射神经网络进行声调识别.这一方法通过对特征参数的聚类压缩了神经网络的输入神经元数目,因而可以有效避免在大数据条件下神经网络不易收敛及速度慢的问题.对多人耳语音声调的识别实验显示,采用蚁群聚类神经网络的耳语音声调识别方法与传统方法相比,性能明显提高,平均正识率达到87.5%.     

认知无线Mesh网络中基于频谱聚合度的分簇算法

针对认知无线Mesh网络拓扑结构和可用频谱实时变化的特点,提出一种基于频谱聚合度分簇(SCDC)算法.该算法提出了节点间可用频谱的质量聚合度因子,联合节点位置变化信息,通过计算节点权值实现认知无线Mesh网络分簇的优化.另外,该算法通过簇内成员节点数量的约束阈值实现均衡网络负载.仿真分析证明,SCDC算法在维持网络拓扑相对稳定和提高频谱利用率方面更具优势.     

利用MATLAB实现BP神经网络的设计

BP网络，即多层前馈神经网络，因其采用误差反向传播算法（Error Back Propagation，即BP算法）而得名，是目前应用最为广泛的神经网络之一。主要应用于模式识别、函数逼近、数据压缩及预测等领域。美国的Mathwork公司推出的MATLAB软件包既是一种非常实用有效的科研编程软件环境，又是一种进行科学和工程计算的交互式程序。MATLAB本身带有神经网络工具箱，可以大大方便权值训练，减少训练程序工作量，有效的提高工作效率。     

基于混沌的模拟电路故障诊断方法

针对模拟电路故障诊断的神经网络方法中,网络易陷入局部极小、收敛速度慢等缺点,网络结构、权值难以确定等难题,提出一种利用混沌优化神经网络的模拟电路故障诊断新方法.该方法中,将混沌变量引入神经网络结构的优化搜索,使得神经网络的隐层节点数以及所有权参数处于混沌状态中,从而整个网络结构呈现为动态变化.然后从动态的神经网络结构中,根据性能指标来寻找一个全局最优或近似于全局最优的网络结构.最后利用优化的神经网络对模拟电路进行故障定位.利用该方法对模拟电路进行实例仿真,结果表明该算法可以有效、可靠地运用于模拟电路故障诊断中.     

基于DV-Distance的无线传感器网络定位算法研究

无线传感器网络是一种全新的信息获取和处理技术,而节点自定位技术是无线传感器网络的主要支撑技术之一.由于无线传感器的节点数量非常大,致使利用GPS定位装置收集节点位置信息的代价将会很大.因此,研究能够适应无线传感器网络节点位置信息的算法是极其重要的.本文重点对距离无关的定位算法中的DV-Distance算法进行了研究,通过MATLAB软件平台对DV-Distance算法进行了仿真实现,结果表明不同信标节点密度时,定位算法的定位误差不同,而当存在障碍物及GPS误差也会影响定位误差.     

单符号网络函数及其数值、符号分离算法

提出了单符号网络函数的概念和建立节点导纳矩阵的分离形式,采用数值符号分离算法导出节点导纳矩阵的行列式和一阶、二阶代数余子式的计算公式.在此基础上,又导出了单符号网络函数的计算公式.应用这些公式,可以获得任意一个网络函数,且把网络中任意一个元件参数(K,L,C,g,g_m,β)作为符号保留在网络函数中.数值符号分离算法的时间复杂性是O(n³),因此,是一个有效算法,便于用计算机实现,且适用于大网络.     

协作通信下联合IRA码和网络编码的译码算法

针对协作中继网络中目的端接收来自不同源节点发送的多个信息副本的合并方式,提出了联合非规则重复累积码与网络编码的改进译码算法. 首先对各链路的调制信息进行软解调处理,并根据中继处网络编码的异或信息和直达链路中原信息的函数对应关系,提取出协作节点发送到目的端的信息副本;然后更新非规则重复累积码在译码过程中直达链路与协作链路下的两个信息副本的软解调信息,构造出新的译码判决方法,进而推导了16QAM 软解调对数似然比值的简化方法;最后分析了系统的中断概率及频谱效率. 仿真结果表明,该译码算法在QPSK、16QAM两种调制方式下均能获得较低的误比特率,且采用对数似然比值的简化方法,能在0.3 dB 性能损失代价下降低系统的译码难度.     

基于频繁模式的选择性集成

针对集成学习方法在处理大规模数据集时具有计算复杂度高、基分类器数目多、分类精度不理想的问题,提出一种基于频繁模式的选择性集成算法. 该算法利用频繁模式挖掘的原理,将未剪枝的集成分类器和样本空间映射为事务数据库,并利用布尔矩阵存储分类结果,然后从中挖掘频繁基分类器组成最终的集成分类器,达到选择性集成的目的. 实验结果表明,与集成分类算法Bagging、AdaBoost、WAVE 和RFW 相比,该算法减小了集成分类器的规模,提高了集成分类器的分类精度和分类效率.     

神经网络剪枝技术研究综述

本文梳理了神经网络剪枝技术的起源与研究进展，将其分为对权重参数稀疏化的非结构化剪枝和粗粒度的结构化剪枝，分别介绍了两者近年来具有代表性的方法。由于剪枝减少了模型参数，压缩了模型大小，使得深度模型能应用于嵌入式设备，表现出剪枝在深度学习模型压缩领域中的重要性。针对现有剪枝技术，阐述了一些在实际应用和衡量标准上存在的问题，并对未来的研究发展方向进行了展望。     

基于事务线索树的一次扫描关联规则增量挖掘算法

首先将事务数据库压缩存储到一棵事务线索树(TT-tree)的结点上，并建立这些结点的索引表，然后寻找结点索引表的最后结点到根结点的全部路径，这些路径及路径的交集包含了用于挖掘关联规则的频繁集，该算法只需扫描事务数据库一次，由于采用了逆向搜索TT-tree的方法,搜索的时间开销非常少，该算法可以挖掘中短模式的海量数据，具有很好的伸缩性,同时该算法具有增量挖掘的功能，通过大量的实验数据进行比较。该算法的速度约是Apriori算法的10倍。     

实现节点负载均衡的无线传感网能量高效分簇方法

分析了分簇无线传感网中的负载不均衡问题,提出了一种实现节点负载均衡的无线传感网能量高效分簇算法. 根据网络模型计算出最优网络分簇数量,通过调整节点的通信半径来控制网络分簇的大小,以分布式周期性迭代的方法竞争选举簇头,形成合理的网络拓扑结构. 不同网络条件下的仿真实验证明,该算法能有效地均衡网络节点负载,从而降低节点能耗,延长网络生存时间,其性能优于典型的无线传感网分簇算法LEACH和HEED.     

认知无线电中基于可信度的感知节点集选择

联合谱感知虽然可提高系统的感知性能,但随着感知节点数目的增加,系统资源的占用越来越多,系统传输 效率下降. 该文详细分析了联合谱感知方法的感知性能,得到感知节点集感知性能与感知节点数目和平均接收信噪比之 间的关系,在此基础上给出一种感知节点集的选择方法. 针对认知网络中可能存在的不可信节点对感知节点集选择方法 的影响,提出可有效剔除不可信节点的可信度检测方法. 综合上面两种方法,提出了基于可信度的感知节点集选择算法, 在进行感知节点集选择的同时可有效剔除不可信节点,有效地保证了所选节点集的感知性能. 仿真结果验证了算法的有 效性和可靠性.     

成本约束下影响力最大化问题研究

企业希望在社交网络信息传播过程中影响到更多的用户,以便其在有限成本约束下达到营销目标。依据此背景,定义了一个新的社交网络影响力最大化问题:成本约束下的影响力最大化问题,即在有限成本条件下选择一个初始节点集传播信息使得最终状态下全网被影响到的范围最大化。基于网络中用户的网络拓扑结构和用户交互信息衡量用户激活成本,并在独立级联模型下使用遗传算法求解上述问题,最后通过不同数据集上的实验验证遗传算法在最终影响范围和运行时间上都获得较好的效果。     

基于在线训练RBF神经网络的混沌系统辨识研究

讨论混沌系统的在线辨识问题,给出了RBF神经网络的一种在线训练算法,对这种在线训练算法所涉及到的各个方面进行了分析,并把这种在线训练算法用在混沌系统的辨识中.仿真表明该算法是非常有效的.