基于BFGS方法的拥塞速率控制算法

针对TCP/AQM对偶性模型采用梯度投影方法调整链路价格收敛速度慢的问题,使用具有更快收敛速度的BFGS方法来进行链路价格的计算,提出一种基于BFGS方法的拥塞速率控制算法.仿真结果证明,利用BFGS方法所设计拥塞速率控制算法具有更快的收敛速度,算法性能优于其它算法.     

基于修正BFGS的新混合共轭梯度法

基于Yuan及Li和Fukushima提出的两类修正割线方程,对Saman Babaie-Kafaki及合作者提出的混合共轭梯度法的搜索方向进行修正,产生在迭代过程中不依赖于任何线搜索而具有充分下降方向的新混合共轭梯度法.在适当的假设下,证明了新算法的全局收敛性.数值结果表明该方法是有效的.     

修正BFGS方法的收敛性

本文证明了在解无约束最优化问题时超线性收敛的BFGS方法,经修改后,应用于求解非线性最小二乘问题时,仍具有超线性收敛的性质。     

一个改进的BFGS算法

提出了求解无约束优化问题的一个改进的BFGS算法,并结合Goldstein线搜索证明了算法对一般非凸目标函数极小化问题的全局收敛性.     

一个修改的BFGS方法

给出一类新的BFGS校正公式，讨论其矩阵的正定性、二次终止性和方向共轭性，并在适当条件下建立该方法的全局收敛性．     

基于动态BFGS法的无标定视觉伺服控制

基于动态BFGS(Broyden-Fletcher-Goldfarb-Shanno)法,研究了一种针对运动目标进行实时跟踪的无标定视觉伺服控制方案.通过直接估计包含残差项的全局Hessian矩阵(即目标函数的Hessian矩阵)之逆,简化了直接计算残差项的计算量,同时解决了Hessian矩阵之逆的奇异性问题.根据关节变量到图像平面映射关系的近似仿射模型推导了不依赖于目标的图像Jacobian矩阵估计量,提高了对动态目标跟踪的鲁棒性.借助Matlab Robotools工具箱,搭建了一个三自由度的机械臂视觉跟踪系统,通过仿真实验将本文的方法与残差项的直接计算法、动态变尺度法进行了对比,结果验证了该方法的良好跟踪性能.     

EM算法的BFGS加速算法

EM 算法是一种求参数极大似然估计的迭代算法,在处理不完全数据中有重要应用.EM 算法实现简单,数值计算稳定,存储量小,具有良好的全局收敛性,但EM 算法收敛速度慢只是次线性的收敛速度,妨碍了EM 算法的应用.现已提出了多种加速EM 算法收敛的方法.本文是在EM算法的拟Newton加速算法的基础上,使用非线性规划中对称秩2校正公式(BFGS公式)给出了一种新的加速EM 算法收敛的方法.它是针对EM的M步的,在共享 EM算法单调增加似然函数值和稳定收敛的基础上提高EM算法的收敛速度.最后用数值试验结果验证了该加速算法的有效性和可行性.     

有限内存BFGS算法的收敛性

研究有限内存ＢＦＧＳ算法的收敛性质， 在搜索步长一致有下界的条件下对一般凸函数证明了算法的整体收敛性．     

BFGS算法的全局收敛性分析

对于凸函数，采用两种比较广泛的线搜索技术，在适当的假设条件下，我们得到了ＢＦＧＳ算法的全局收敛性。     

一个新的改进的BFGS方法

BFGS方法是在解决无约束优化问题的拟牛顿方法中最有效的方法，Wei Li和Qi在新的拟牛顿方程Bk 1Sk=yk*上提出了新的修正的BFGS公式，这里yk*是yk和ykSk的和，Ak是某个矩阵．Liao利用参数δk和γk提出了另外一种修正的BFGS方法．该文利用这两种方法给出一种新的BFGS类型方法，并且给出该方法的全局收敛性．数值实验表明在一定条件下该方法优越于BFGS方法和Liao的方法。     

基于GAPSO和BFGS修正法的联合爆破点定位方法

针对微震源精确定位问题,提出了一种结合遗传粒子群算法(genetic algorithm and particle swarm optimization,GAPSO)和拟牛顿BFGS修正公式的联合精确微震源定位的方法。新的联合算法引入了交叉变异功能,能有效避免PSO易收敛于局部极值的缺点,然后将其初步定位结果作为初始值带入BFGS算法,有效改善了BFGS定位精度依赖于初始值选取的缺点。实地实验结果表名:此方法相较于PSO及经典定位算法,在x,y,z三个方向上的精度都得到了提高。     

一个修改的BFGS信赖域算法

给出一个修改的BFGS校正信赖域算法,并分析其收敛性.该算法能够保持校正矩阵正定和收敛速度是二次的.     

基于BFGS修正的高斯牛顿光束法平差解算方法

针对高斯牛顿(Gauss-Newton,GN)方法求解光束法平差模型时对初值准确度要求高、应用场景受限的问题,提出基于拟牛顿法BFGS (Broyden-Fletcher-Goldfarb-Shanno)修正的高斯牛顿算法——BFGS-GN法。当高斯牛顿法的信息矩阵失去正定性后,使用BFGS算法对法方程进行补充修正,可从根本上消除高斯牛顿方法对初值敏感的数学缺陷。在数据集上的实验结果表明,BFGS-GN算法对不同类型的初值具有鲁棒性,在初值较好的情况下,所提方法与高斯牛顿法具有相同的精度和迭代效率;在初值较差的情况下,高斯牛顿方法因发散而失效, BFGS-GN算法仍可以收敛到较高的精度。     

改进的无约束化的BFGS算法

提出了一种改进的ＢＦＧＳ算法，该算法的基本思想是采用多步迭代改变一次ＢＦＧＳ算法的修正公式；在假设ｆ（ｘ）是二阶连续可微且一致凸的条件下，证明了该算法超线性收敛性；最后给出该算法的数值实验结果。     

基于LSTM的空气质量预测模型

为了准确预测空气质量,结合实际的天气污染情况,在WRF-CMAQ等一次预报模型的基础上,利用神经网络、机器学习方法中的LSTM算法以及线性学习方法,针对大量的数据进行二次数学建模来提升预测的准确性,同时解决了对现实中存在数据不全导致无法预测的问题.根据预测数据和实际数据对比,建立的空气质量预测模型预测出的数据与真实值的误差均在2%以内.     

基于VMDLSTNet的水质预测模型

针对水质时序预测中存在长期信息和短期信息混合导致预测精度低的问题,采用变分模态分解（Variational Mode Decomposition,VMD）和长短期时间序列网络（Long- and Short-term Time-series network,LSTNet）组合使用以期望解决该问题得出更准确的水质预测。LSTNet网络中使用卷积神经网络（Convolutional Neural Networks,CNN）提取短期局部水质信息,使用循环神经网络（Recurrent Neural Network,RNN）提取长期水质信息,并且通过Skip-RNN利用序列周期特性,提取更长期信息,同时模拟自回归（Autoregressive model,AR）,为水质预测增添线性成分来达到输出能够响应输入尺度变化的目的。采用珠江流域老口站隔日采样的溶解氧数据验证模型效果,结果表明,VMDLSTNet网络处理水质预测问题的能力,不仅优于传统的BP神经网络（Back Propagation Neural Network,BPNN）、支持回归机（Support Vector Regression,SVR）模型,而且优于深度学习中时域卷积网络（Temporal Convolutional Network,TCN）模型、门循环网络（Gate Recurrent Unit,GRU）、增加注意力机制的长短时记忆网络（Long Short-Term Memory Add Attention,LSTM-AT）模型,溶解氧的预测平均绝对误差（Mean Absolute Error,MAE）为0.0931,预测均方误差（Mean Square Error,MSE）为0.0146,预测均方根误差（Root Mean Square Error,RMSE）为0.1208,水质类别的预测准确率为95%。     

基于AGSO-LSSVM的热点话题预测模型

针对网络热点话题的时变性、混沌性,为了进一步提高网络热点话题的预测精度,提出一种人工萤火虫算 法(artificial glowworm swarm optimization,AGSO)优匕最小、二乘支持向量机(least squares support vector machine, LSS-VM)的网络热点话题预测模型（AGSO-LSSVM)。模型收集网络热点话题数据,采用互信息法和CAO法选择最优延迟时间和嵌入维数,采用优延迟时间和嵌入维数重构网络热点话题数据学习样,并输入到最小二乘支持向量机 中训练,进而采用人工萤火虫算法优化最小二乘支持向量机参数建立网络热点话题预测模型,采用仿真实验测试其性能。实验结果表明,相对于其他网络热点话题预测模型,该模型可以对网络热点话题的变化特点进行拟合,进一步提高网络热点话题的预测准确性。     

基于SVM的沙尘暴预测模型

根据沙尘暴天气的特点和支持向量机（support vector machine，SVM）方法在解决小样本学习问题中的优势，提出基于SVM的沙尘暴预测模型．首先利用主成分分析法进行数据预处理，然后选择了径向基核函数，并通过分析惩罚参数和核参数对SVM分类器性能的影响，确定了参数的搜索空间，继而利用网格搜索法对其进行优化．在此基础上，构建并实现了基于SVM的沙尘暴预测模型．该模型与BP神经网络模型的运行结果对比表明，基于SVM的沙尘暴预报模型稳定性好，运行速度快，预报准确率提高了71．2％．     

基于P-ARIMA的空气质量预测模型

文章提出了一种新的空气质量预测模型,可同时对空气质量指数AQI和6个污染指标进行预测.该模型通过主成分分析(PCA)提取空气质量矩阵的主要特征并进行压缩,然后将压缩矩阵与差分移动平均自回归模型(ARIMA)相结合,来预测未来的空气质量.最后在公开的空气质量数据集上进行了实验.实验结果表明,该文提出的P-ARIMA模型能够有效地提高预测精度并减少计算所需的时间.     

基于人工神经网络的股市预测模型

建立了构成基于人工神经网络的3种股市预测模型（基本数据模型、技术指标模型和宏观分析模型）,分析了神经网络应用于股市预测的实效性。实证分析表明,3种模型对上证综合指数的拟合效果均较好。在“基本数据模型“中,建立带有附加动量项和自适应学习速率的BP网络,具有较快的运算速度和逼近性能。在“技术指标模型”中,通过一些股市重要技术指标的引入,使其增加了反映市场各方面深层内涵的信息,而且网络的泛化能力有所提高。在“宏观分析模型”中,引入了影响股市的5项主要宏观经济指标,使模型包含了宏观经济基本面的更多信息,强化了股市神经网络模型的应用价值。