基于模糊粗糙神经网络的用户个性化关联推荐方法

【目的】针对电子商务中关联推荐的有效性,基于模糊粗糙神经网络提出了一种新的方法。【方法】该方法首先提出了个性化推荐模型,并根据关联规则给出了推荐算法流程。同时利用模糊粗糙神经网络对上述模型进行求解,通过计算模糊关联系数和模糊关联度来获得用户行为特征。【结果】利用仿真实验深入研究影响该方法的关键因素,结果发现:最小可信阈值和最小支持度取值越小,预测精度就越高。【结论】与其他算法相比,该算法能在一定的程度上较小预测的误差,使得推荐结果更加满足客户的需求。
     

基于模糊神经网络和遗传算法的机器人三维路径规划

【目的】为了有效提高机器人三维路径规划精度。【方法】基于模糊神经网络和遗传算法建立了一种新的路径规划方法。【结果】根据路径长度和路径能量提出了三维路径规划的评价指标和优化函数,同时利用模糊神经网络建立了三维路径的5层结构,并结合遗传算法来优化并求解最优路径。【结论】通过仿真实验深入研究了影响该方法的关键因素,结果表明该方法具有更好的适应性。     

基于模糊神经网络和遗传算法的机器人三维路径规划

【目的】为了有效提高机器人三维路径规划精度。【方法】基于模糊神经网络和遗传算法建立了一种新的路径规划方法。【结果】根据路径长度和路径能量提出了三维路径规划的评价指标和优化函数, 同时利用模糊神经网络建立了三维路径的 5 层结构, 并结合遗传算法来优化并求解最优路径。【结论】通过仿真实验深入研究了影响该方法的关键因素, 结果表明该方法具有更好的适应性。
     

利用Petri网模型的求解因果图最小割集的算法

【目的】为快速有效地求得因果图的最小割集。【方法】将因果图转换为Petri网模型,利用Petri网的特点提出一种新的求解因果图最小割集的算法,该算法省略了求因果图节点事件的一阶割集和最终割集这两步,大大减少了因果图用于故障诊断的时间。【结果】以实例说明了这一求解过程,并验证了算法的有效性。【结论】利用上述算法能够快速有效地求得最小割集,从而可对系统进行定性分析。     

利用Petri网模型的求解因果图最小割集的算法

【目的】为快速有效地求得因果图的最小割集。【方法】将因果图转换为Petri网模型,利用Petri网的特点提出一种新的求解因果图最小割集的算法,该算法省略了求因果图节点事件的一阶割集和最终割集这两步,大大减少了因果图用于故障诊断的时间。【结果】以实例说明了这一求解过程,并验证了算法的有效性。【结论】利用上述算法能够快速有效地求得最小割集,从而可对系统进行定性分析。
     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

基于AW-GA-BP算法的配电网设备运行环境相对湿度的预测方法及应用

【目的】准确监控和预测配电网设备所处环境相对湿度的状态和变化趋势。【方法】通过分析影响相对湿度的相关因素,提出了一种权重调整(Weight of adjust,AW)和遗传算法(Genetic algorithms,GA)相结合的BP算法(AW-GA-BP算法),在此算法的基础上,建立了对配电网设备所处环境相对湿度变化的神经网络预测模型,并将此算法应用到项目组为云南省某供电局开发的配电网运行环境智能化监测系统上,利用该监测系统所采集到的数据,将不同采样试验数据分别作为训练样本和验证样本,对比研究了AW-GA-BP算法、GA-BP算法和标准BP算法的预测误差。【结果】基于AW-GABP算法预测得到的相对湿度百分误差平均值是4.28%,基于GA-BP算法预测得到的相对湿度百分误差平均值是8.87%,基于标准BP算法预测得到的百分误差平均值是14.64%。【结论】基于AW-GA-BP算法所建模型的相对湿度预测平均误差更小,为预测配电网设备所处环境相对湿度提供了一种更为准确的方法。     

非线性Gilson-Pickering方程的移动最小二乘近似无网格法

【目的】利用适定移动最小二乘近似和预测校正迭代算法等技术,建立数值分析Gilson-Pickering方程的移动最小二乘近似无网格方法。【方法】首先采用差分格式离散时间导数,然后利用适定移动最小二乘近似离散空间导数,最后使用配点技术得到了非线性代数方程组。【结果】数值算例表明该方法能有效地求解具有三阶偏导数且依赖于时间变量的非线性Gilson-Pickering方程。【结论】该方法比有限元方法的精度更高。     

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。     

具有时滞的反应扩散神经网络模型的输入-状态稳定

【目的】研究带有时滞的反应扩散神经网络模型的输入-状态稳定。【方法】首先,建立一类带有时滞的反应扩散神经网络模型,该模型中的神经元激励函数不要求有界,也不要求光滑。然后,利用具有时变输入的时滞微分不等式和矩阵不等式方法。【结果】获得该反应扩散神经网络系统的输入-状态稳定的两个充分条件。【结论】结果改进和推广现有文献的相关工作。     

加权最小包容球问题的对偶光滑逼近算法

【目的】研究加权最小包容球问题,并给出一类求解该问题的算法。【方法】加权最小包容球问题是一个极大极小化的非光滑问题。首先利用对偶方法将该问题转化为极小化非光滑问题,然后利用光滑逼近思想,将该问题转化为极小化的光滑问题进行求解。【结果】根据数据实例表明该算法有效。【结论】得到求解加权最小包容球问题的一类对偶光滑逼近算法。     

具有时滞的反应扩散神经网络模型的输入-状态稳定

【目的】研究带有时滞的反应扩散神经网络模型的输入-状态稳定。【方法】首先,建立一类带有时滞的反应扩散神经网络模型,该模型中的神经元激励函数不要求有界,也不要求光滑。然后,利用具有时变输入的时滞微分不等式和矩阵不等式方法。【结果】获得该反应扩散神经网络系统的输入-状态稳定的两个充分条件。【结论】结果改进和推广现有文献的相关工作。
     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

瞬态UCM粘弹性流体的最小二乘有限元算法

【目的】建立求解瞬态UCM粘弹性流体的最小二乘有限元算法。【方法】利用具有一阶精度的差分格式对模型中的时间导数进行离散，得到了线性的半离散近似模型，采用最小二乘有限元方法对该近似模型进行求解。【结果】证明了最小二乘有限元解的存在唯一性，分析了最小二乘有限元解的先验误差估计，指出该估计依赖于时间步长Δt和空间步长h。通过一个三维空间的流动问题，验证了算法的有效性和收敛性。指出在实际计算中，相对于空间步长h，时间步长Δt对计算结果的影响较大。【结论】本文算法在数值精度方面，优于基于SUPG的混合有限元方法。     

基于数据驱动的城市居民出行OD预测

【目的】利用“大数据”对城市居民出行量(OD)的预测方法进行改进,以期改善传统城市居民出行调查方法费时、费力且准确度不高的问题,同时也为城市公共交通规划与管理提供可靠的数据支持。【方法】结合手机信令数据、公交IC卡、公交GPS以及地铁闸机数据的特点和优势,利用聚类分析等方法获取城市居民公共交通出行的OD矩阵,并利用小波神经网络结合优化后的鲸鱼算法(improved whale optimization algorithm-wavelet neural network, IWOA-WNN)对未来时段的出行OD矩阵进行预测。以长沙市为例,选取60 d晚高峰期间的原始数据,利用IWOA-WNN进行预测,并结合时间序列方法进行分析。【结果】与优化前的小波神经网络相比,IWOA-WNN的预测结果更加贴近实际情况,精度达到了93.36%。【结论】本研究提出的数据处理及预测方法具有更高的准确度。     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

基于语义行为和社交关联的好友推荐模型

现今社交媒体是建立社交联系的重要媒介,好友推荐对于扩展人们的关系网络起到至关重要的作用,准确的用户特征提取和分析是社交网络中好友推荐的关键.传统的好友推荐方法一般都是根据部分用户属性信息或行为信息进行推荐,所以对用户特征的描述不完整,推荐的效率和准确率远非预期.提出基于用户语义行为和社交关联的推荐模型应用于社交媒体平台上的好友推荐.为了获得准确的预测,使用LDA(Latent Dirichlet Allocation)对语义信息进行主题建模,得到基于主题的用户语义行为特征表达;使用DeepWalk算法对用户社交关联网络图进行特征提取,得到准确的社交关联特征表达;使用反向传播神经网络来预测用户潜在的社交关联,为用户精准推荐好友.该模型实现了利用用户语义行为和社交关联预测用户潜在的社交关联,可以根据潜在社交关联进行精准的好友推荐.     

基于神经网络模型的成员推理防御算法

【目的】针对机器学习模型在训练过程中可能泄露训练数据隐私，为成员推理攻击所利用，进而窃取用户敏感信息的问题，提出了一种基于神经网络的期望均衡优化算法(EEO).【方法】采用对抗训练并优化的策略，分为内外两层循环来实现：内层循环假设一个足够强大的对手，其目标为最大化攻击模型期望；外层循环有针对性地进行防御训练，其目标为最大化目标模型期望。利用小批量梯度下降法使内外两层循环的损失值都达到最小，从而既保证模型精度，又降低对手成员推理的能力。【结果】采用3个有代表性的图像数据集MNIST、FASHION、Face,将EEO应用于优化后的神经网络模型进行成员推理攻击实验，3个数据集的测试精度分别损失了2.2%、4.7%和3.7%,而攻击模型的精度分别下降了14.6%、16.5%和13.9%,并且已接近50%,即随机猜测。【结论】实验结果表明该算法较好地兼顾了模型的高可用性与高隐私性，尽管仍会不可避免地产生隐私泄露，但训练出的神经网络模型对成员推理攻击有很强的防御效果，且对目标模型的影响可以忽略。     

基于深层卷积网络的单幅图像超分辨率重建模型

【目的】针对Mean squared error(MSE)作为损失函数在人眼感知方面存在局限性,以及基于卷积神经网络的图像超分辨率(Super-resolution,SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题,设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络Visual geometry group(VGG)模型提取图像特征,利用该特征设计视觉感知损失函数进行训练学习,引入亚像素卷积层(Sub-pixel convolution)替换上采样层,缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复,与其他4种超分辨率重建模型的Peak signal to noise ratio(PSNR)值接近,且生成图像的视觉效果更加清晰逼真,细节更加细腻。【结论】该模型可以实现输入不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型,可以实现对不同放大倍数图像的训练和预测,在保持一定PSNR正确率的前提下,放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。     

基于改进VGGNet卷积神经网络的鲜花识别

【目的】提出一种基于VGGNet的改进算法Small VGGNet（S VGGNet），使得在最高运算效率和检测结果的同时，有效减少VGGNet模型超参数的规模，并用于花草树木等植物分类问题。【方法】在原VGGNet模型的基础上减少了一个全连接层，改进了最大池化层，优化了模型结构并减少了网络参数。将新算法用于花草树木等植物分类问题上，进一步分析该算法的预测时间、运行时间、分类准确度等。【结果】无论在训练样本规模、运行时间或者分类结果的准确度上，与多种传统方法和改进VGG算法相比，S VGGNet算法均有明显提升。【结论】提出的S VGGNet算法是有效的。