基于RBF神经网络多用户检测方法的设计

基于免疫算法和免疫进化网络,提出了一种训练RBF网络的混合算法.该算法采用了一种可以实现数据聚类的免疫进化网络,根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置;采用免疫算法训练RBF网络,使优化过程趋于全局最优.通过计算机仿真证明,将该方法应用于多用户检测中获得了比传统检测器和其他方法训练的RBF网络多用户检测器更好的误码率检测性能.     

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

基于SA-GA算法RBF神经网络的TDOA/AOA定位算法

目的 为了克服最小二乘法在TDOA/AOA无线定位算法中的缺点,提高定位的精度和稳定性.方法 提出了基于RBF神经网络的TDOA/AOA定位算法.利用染色体长度可调编码方式的模拟退火遗传算法,同时训练RBF网络的参数和拓扑结构.将训练后的RBF网络用于TDOA/AOA定位.结果 与传统TDOA/AOA算法和基于k-均值聚类法、遗传算法RBF神经网络、GA-BP神经网络的定位算法比较,该算法具有更高的定位精度和可靠性.结论 基于模拟退火遗传算法RBF神经网络的TDOA/AOA定位算法有很强的抗NLOS能力.     

基于RBF神经网络的动态矩阵控制算法

利用RBF网络对DMC算法进行结构上的改进,并用RBF网络的逼近性能建立预测模型,提出一种基于RBF神经网络建模的动态矩阵控制算法,并用该算法对典型的时滞系统进行仿真试验,结果表明该算法具有较高的控制精度和响应速度.     

结合免疫聚类和免疫进化规划的RBF网络设计方法

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)网络设计方法.该方法采用人工免疫聚类机制根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置,并通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子.该算子可以缩小进化算法搜索空间的范围,提高算法的收敛速度.仿真结果表明,采用本方法设计的RBF网络结构精简,具有较强的泛化能力.     

基于RBF的碟式太阳能集热器温度预测研究

影响碟式太阳能集热器出口温度的因素较多,采用传统数学方法模拟较为复杂.利用RBF神经网络建立碟式太阳能集热器出口温度预测模型,为提高RBF的预测精度和学习效率,采用最近邻聚类算法选取基函数的中心,应用实际数据进行网络训练,网络预测结果较为准确.将本算法与传统的RBF神经网络进行仿真预测对比,本算法的结果和算法学习效率都要好于传统的RBF神经网络,验证了该算法的可行性和有效性.     

用遗传算法改进的RBF神经网络在语音识别系统中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用遗传算法的全局搜索性能,将遗传算法用于RBF网络的训练过程.由于简单遗传算法存在收敛速度慢及不能收敛到全局最优解等不足,引入自然数编码的自适应遗传算法,加快网络的训练速度.将该算法应用到语音识别系统中,实验结果表明:使用该方法的识别结果优于使用K-均值聚类算法选取质心的RBF网络的识别结果.     

基于自组织选取中心的广义RBF神经网络学习算法

根据RBF网络要学习的3个参数:基函数的中心、方差和权值,提出了广义RBF网络自组织选取中心的学习算法.该算法首先学习隐层基函数的中心与方差,然后学习输出层权值,仿真结果表明了该算法的有效性.     

基于微分进化免疫的RBF网络学习算法研究

该文提出一种微分进化算法与免疫算法相结合的方法,将该方法用于优化RBF网络隐节点参数,以改进RBF网络的性能,仿真结果表明收敛速度较快,训练精度较高,有效地改进网络的泛化能力.     

基于改进RBF神经网络的美元指数预测

首先介绍了RBF神经网络的原理.然后叙述了RBF神经网络的正交最小二乘算法,针对此算法在选择网络宽度上的不足,在原算法的基础上提出一种改进算法,该算法通过优化网络的宽度,提高了网络对时间序列逼近的准确度.对美元指数进行预测,预测结果表明改进的算法有良好的性能.     

课程表问题的一种混合型模拟退火算法

提出了课程表问题的一种基于概率型启发式算法（HA）的混合型模拟退火算法。其中，概率型的启发式算法采用了复杂度高者优先，循环首次适应算法，贪婪法，回溯法和松弛法等多种方法，该算法所排出的课表可作为模拟退火算法的初始解。模拟退火可对概率型启发式算法的排课结果做进一步优化，克服了启发式算法不具有全局收敛性的缺点。所以，混合型模拟退火算法具有启发式算法充分利用领域知识，计算量小，优化快速和模拟退火的全局收敛性，数值实验也证明了它的有效性和可行性。     

一种从自由飞行实验中提取空气动力系数的新方法

该文提出从飞行体自由飞行试验中提取空气动力系数的新方法－－Ｍａｒｑｕａｒｄｔ改进法。Ｍａｒｑｕａｒｄｔ法综合了Ｃｈａｐｍａｎｎ－Ｋｉｒｋ渚最速下降法的优点而避开了它们的缺点，是一种比较好的数据处理方法。Ｍａｎｑｕａｒｄｔ改进法既继承了Ｍａｒｑｕａｒｄｔ法的优点，又大大地减少了计算工作量，是一种收敛快的迭代算法，最后，给出了在靶道实验数据处理中的计算实例。     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

网格移动的无线移动传感器网络部署算法

针对目前无线移动传感器网络中部署算法过于复杂的问题,提出了一种新的基于网格移动的无线移动传感器网络部署算法.降低了常见无线移动传感器网络部署算法的时间复杂度,提高了任务区域的节点覆盖度,减少了覆盖漏洞,适用于无线移动传感器网络的应用.文中论述了该算法的构架,执行过程,并对该算法进行了仿真分析.仿真结果表明,该算法在有效降低算法复杂度的情况下满足了网络部署中关于覆盖率的要求.     

基于扇形趋利果蝇优化算法改进的FS-K聚类算法

针对果蝇算法对高维函数收敛精度低的缺点,提出了一种改进的基于扇形搜索的果蝇算法(Fan search-Fruit Fly Optimization Algorithm,FS-FOA),该算法在原果蝇FOA算法的基础上改进了果蝇群体的搜索路径,并赋予果蝇个体趋利性,使更多的果蝇个体朝着味道浓度更大的方向前进,使果蝇群体的搜索方向有更多的选择性,增加果蝇算法在处理高维函数问题上的收敛速度和收敛精度;并将改进的FS-FOA算法与K-means聚类相结合,提出一种FS-K聚类算法,与原K-means聚类和原果蝇(FOA)算法进行对比实验,引入5个经典的测试函数对原FOA算法和FS-FOA算法寻优结果进行测试,结果表明采用FS-FOA算法具有更高的收敛精度;引入5个UCI公共数据集对改进FS-K聚类算法和原K-means算法、SOM聚类算法、FCM聚类算法进行测试,结果表明FS-K聚类算法具有更好的聚类效果。     

基于改进自适应遗传算法的仿真研究

交叉概率Pc和变异概率Pm是遗传算法中重要的参数,自适应遗传算法中Pc和Pm能根据个体适应度差异自适应地调节其大小,在快速收敛和全局最优之间获得了较好的平衡,但自适应遗传算法对于进化初期不利.改进的自适应遗传算法避免了进化初期较优个体处于停滞不前的状态.分别用3种算法对典型的测试函数进行训练,仿真结果表明:改进的自适应遗传算法在收敛速度和寻最优解方面是最优的.     

用混合遗传算法求解物流配送路径优化问题

为了改善物流配送路径优化问题的运算质量,提出一种将遗传算法和模拟退火算法相结合的混合遗传算法。通过仿真 实例验证,证明混合遗传算法的解优于单纯使用遗传算法和模拟退火算法所得到的解,同时混合遗传算法与传统优化算法相 比收敛速度更快,分配结果更优良,具有很好的应用价值。     

一种全局优化的两阶段算法

为了提高算法的有效性,利用梯度算法和粒子群算法独立的运行机制,采用驱赶技术和重新初始化部分群体的技术,提出了一种基于梯度下降法和粒子群算法的两阶段优化算法,并对新算法进行了理论分析和数值仿真.数值结果显示新算法比单纯梯度算法有更好的全局优化能力,比单纯粒子群算法有更快的收敛速度和更高的精度.新算法求解质量更高,运行更稳定.     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.     

基于图的挖掘关联规则改进算法

关联知识挖掘算法中一种广为人知的算法就是Aprior算法,之后所有关联规则挖掘算法的基本思想都是基于频繁项目集发现算法的基础上进行了改进.为了提高关联规则挖掘效率,首先回顾了基于图的关联规则挖掘算法;然后,在此基础上进行了改进,把关联规则挖掘中寻找频繁项集的问题转换为图中寻找完全子图的问题,通过在图中查找完全子图来寻找频繁项集.提出了一种基于图的关联规则挖掘改进算法,并且对原算法和改进的算法从时间和空间的性能进行了比较分析,得出改进的算法是有效可行的.最后从实验结果得出结论GenerateItemsets算法比DGBFIG算法优.