基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于相关向量机的污水处理出水水质预测模型

针对污水生化处理过程复杂、重要出水指标预测困难且误差比较大的情况,提出了一种基于相关向量机的污水处理出水水质预测模型.首先利用模糊单调递增依赖算法对输入数据进行属性约简,并结合经验确定输入属性,然后利用相关向量机建立预测模型,对模型参数进行寻优,以实现最优预测.实验结果表明,文中提出的预测模型预测精度高、泛化能力强,能较好地满足污水处理出水水质的预测要求.     

神经网络二次集成预测算法研究

针对常用预测算法不同程度地存在泛化能力不足的缺陷，提出了基于神经网络二次集成的优化算法(NNE2-QQ).该算法在第一次集成时采用量子粒子群算法进行个体网络的选择优化，在第二次集成时采用量子免疫算法进行集成结论生成优化，并通过多次迭代自适应寻求个体和权值的最佳组合，实现神经网络二次集成模型的性能最优，最后实验验证了NNE2-QQ算法的有效性和实用性. NNE2-QQ可从海量数据中发现各种因素之间的联系及其规律，为预测判断提供支持.     

基于AQPSO算法优化的RBF网络模型及应用研究

提出了自适应量子粒子群优化(adaptive quantum-behaved particle swarm optimization,AQPSO)算法,用于训练RBF(radial basis function)网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改进了RBF网络的泛化能力.利用上证指数数据进行预测,实验结果表明,采用AQPSO算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值.     

基于量子神经网络的信息安全风险评估方法

针对信息安全风险评估对象的多样性和信息的不确定性、数据量大以及无规律性的特点,提出基于量子神经网络的信息安全风险评估方法.将实际检测的对象属性作为量子神经网络的输入,经量子神经网络系统处理,获得信息系统的综合风险.实验仿真结果表明:基于量子神经网络的风险评估方法比经典BP网络评估方法更有效、可靠,可以应用于实际的信息安全风险评估中.     

量子与非门和量子或非门的理论实现

为了实现量子与非门和量子或非门,从而完善量子计算中的量子逻辑功能,提出二人零和单硬币量子博弈模型的理论方案,利用对量子硬币的不同量子操控从而分别实现量子与非和量子或非逻辑功能.研究结果表明,当两输入端信息相同时,可将量子与非门或者量子或非门视作两个独立的量子硬币,且实现这两种量子逻辑功能的量子操作相同;若两输入端信息不...     

基于改进双流算法的矿工行为识别方法研究

针对目前矿工行为数据集构建不全面、行为识别实时性较差、对相似行为的细粒性识别精度较低等问题,提出了一种端到端的自主学习行为特征并实现行为分类的识别方法。首先,对原始矿工行为视频进行特征提取,生成用来描述时间特征的光流图以及可以描述空间特征的三原色(RGB)图像,使用双流网络对提取的特征进行学习并得到行为分类结果;然后,引入量子遗传算法对双流网络进行改进,对网络中待训练参数进行量子编码,将双流网络在测试集上的代价函数值作为适应度函数。采用量子交叉、量子门旋转实现种群个体的进化。构建了包含50种矿工行为的数据集,在该数据集上利用双流法进行行为识别。研究结果表明:使用量子遗传算法优化后的3种双流网络的识别准确率,比优化前分别提升了1.01%,0.87%和0.32%。通过与其他矿工行为识别算法进行对比,本文所提方法在两种数据集上识别率分别达到90.36%和72.29%,均优于其他几种识别算法,准确率最大差距达到22.36%,证明了本文所提方法的有效性。     

量子语言的一些性质

给出了不同输入字符集上两个q 自动机张量积的定义,研究了不同输入字符集上两个q 自动机的张量积识别的语言.同时讨论了η 量子语言和广义η 量子语言,给出了η 量子语言和广义η 量子语言的一些性质.     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型.量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌.当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度.将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度.     

一种新的量子移动Ad Hoc网络纠缠中继与最优桥接方案

目的将量子通信的保密性与移动Ad Hoc网络的灵活性相结合,研究具有高度信息安全性的移动自组网组网方案。方法基于中间节点的量子纠缠中继模型和量子移动Ad Hoc网络的桥接方案和量子态无线传输的路由机制。结果即使在量子终端之间没有共享EPR纠缠对的情况下,同样可以完成量子态的无线传输,并且其传输时延与链路的无线跳数无关,模型和协议达到了最优。结论量子通信与移动自组网络可以优势互补,所构造的新型网络——量子无线自组网将是未来移动Ad Hoc网络的发展方向。     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

RBF网络在取代苯胺和苯酚定量构效关系研究中的应用

采用径向基函数网络模型,对36种取代苯胺和苯酚类化合物的急性毒性进行预测,网络自相容能力和交叉检验结果良好.结果表明:①采用分子连接性指数、线性溶解能关系参数、正辛醇/水分配系数作为输入特征参数的神经网络预测结果优于仅采用分子连接性指数作为输入特征参数的神经网络预测结果;②采用分子电性距离矢量和正辛醇/水分配系数作为输入特征参数的神经网络预测结果优于仅采用分子电性距离矢量输入特征参数的神经网络预测结果.该方法还可望成为对有机化合物其它性质进行预测的一种有效手段.     

Application of Partially Connected Neural Network

This paper focuses mainly on application of Partially Connected Backpropagation Neural Network （PCBP） instead of typical Fully Connected Neural Network （FCBP）. The initial neural network is fully connected, after training with sample data using cross-entropy as error function, a clustering method is employed to cluster weights between inputs to hidden layer and from hidden to output layer, and connections that are relatively unnecessary are deleted, thus the initial network becomes a PCBP network. Then PCBP can be used in prediction or data mining by training PCBP with data that comes from database. At the end of this paper, several experiments are conducted to illustrate the effects of PCBP using Iris data set.     

量子计算在增量式大数据并行挖掘中的应用

针对传统大数据并行挖掘方法是一次性对所有数据进行挖掘,导致挖掘时间较长,挖掘精度较低等问 题,采用量子计算对增量式大数据并行挖掘方法进行优化设计。首先,按照数据挖掘的基本流程搭建并行数据 挖掘模型; 然后分别通过定义量子比特、量子搜索算法、量子神经网络处理以及量子映射变换4 个步骤,实现 增量式数据的预处理,利用矩阵向量相乘分解得到过滤权重组合,通过该组合实现预处理结果的并行协同过 滤; 最后通过量子模糊聚类得出增量式大数据并行挖掘结果。实验结果表明,应用量子计算的增量式大数据并 行挖掘方法的平均召回率为97． 25%,并行挖掘时间在2． 1 ～ 3． 2 s 的范围内浮动,准确率超过95%,且该方法 的收敛性最好,寻优能力强。     

基于SDCQGA优化BP神经网络的岩石可钻性建模

针对智能钻井优化控制过程中岩石可钻性提取存在的建模难、非实时性、精度差等问题,提出基于自适应双链量子遗传算法优化BP神经网络结构的岩石可钻性提取建模方法.依据目标函数在搜索点处的变化率,建立了快速自适应双链量子遗传算法;采用新算法优化BP神经网络结构,以克服BP神经网络受初始权值/阀值影响和泛化能力差的问题.通过对邻近钻井区域的大量测量数据和实验数据的统计分析和预处理,建立岩石可钻性提取模型,有效地解决了复杂地形岩石可钻性提取难的问题.对不同岩性的可钻性参数提取实验结果证明,该建模方法不仅提高了参数提取的精度和模型的泛化能力,而且在相邻实际参数提取时,具有很好的实时性和适应性.     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

人工神经网络水质预测模型研究

水质预测物理模型在水环境保护中起着十分重要的作用,然而由于模型的参数识别问题,使其应用受到很大局限.对人工神经网络(A rtific ia l N eura l N etw ork,简称ANN)水质预测建模作了初步研究.用试错法,以训练时间和测试误差两项指标为依据,对比分析三层、四层网络结构,认为ANN模型适应于水质预测建模,并提出了适合的模型结构、学习速率、传递函数.     

基于机器学习的海上多层砂岩油藏精细注水开发实践

针对海上多层水驱砂岩油田作业成本高、小层测试数据少所导致的产、吸状况不清的问题,提出一种可同时学习多种井况条件的小层产、吸剖面预测模型。首先综合考虑影响小层产、吸状况的静态地质条件和动态开发特征,筛选并构造出主控因素,建立样本数据库。然后构建了巧妙的循环将神经网络算法和智能优化算法进行融合,内层循环以反向传播(back propagation, BP)神经网络为模型框架,遍历所有井样本,实现多维主控因素与产、吸剖面的机器学习;中层循环以量子进化算法为优化手段,实现神经网络内部权重和阈值自动优化;外层循环以测试误差为控制条件,保证模型的可靠性与最优化。最后将产、吸剖面预测模型应用于渤海P油田,分别对73口油井和84口水井的样本数据进行交叉验证,结果表明模型的平均测试误差仅为6.60%、4.36%。示例井组经分层调配等措施的综合治理之后,实现了井组日增油63 m³/d,综合含水率下降6%。该研究成果对老油田的精细注水和优化调整具有一定的指导意义。     

QSAR结合人工神经网络预测磺酰脲类除草活性

采用误差反传前向人工神经网络模型研究了18种磺酰脲类化合物的结构与除草活性之间的关系.以18种磺酰脲类化合物的量子化学参数作为输入,除草活性作为输出,构建网络模型,取得了较好的预测结果.网络的自相容能力和交叉检验结果良好.该方法还可作为QSAR研究及对有机化合物其他性质进行预测的一种有效手段.