基于Q函数优化的加权有向复杂网络模糊聚类算法设计研究

研究加权有向复杂网络中社团的模糊聚类算法,在谱平分、FCM算法的基础上,构建新的适用于加权有向复杂网络模糊划分的Q函数,设计了复杂网络模糊聚类算法,并针对FCM聚类算法结果不稳定的现象进行了算法上的改进,使算法更适合于现实世界。通过实验数据验证了设计的算法,从总体上提高算法的划分精确度,结果也趋向于稳定。解决了从加权有向复杂网络、模糊集中发现、划分社团的实际问题。     

一种向量划分的网络社团发现方法

为有效地检测复杂网络中的社团结构,对评估与发现社团的模块密度函数(即D值)进行了优化.通过模块密度函数的优化进程,展示了模块密度函数被优化到向量划分方法中的社团向量幅度最大化,并且提出了一种新的向量划分方法.在一个经典的真实世界网络中检验了该算法.实验结果暗示这种新的算法在发现复杂网络社团上是有效的.     

一种对分划分的复杂网络社团检测方法

在许多领域,例如社会科学,技术科学及生物科学,复杂网络中的社团发现是一项重要任务。这些社团结构暗含着系统功能方面的信息并用来帮助人们理解网络的功能及增长机制。谱分优化了由李等人最近提出的一种用来评估和发现社团的模块密度函数。提出了一种对分算法,该算法使用模块密度矩阵的主特征向量迭代来检测网络社团结构。在一个经典的计算机产生的随机网络中检验了算法。当社团结构变地模糊时,实验结果显示这种新的算法在发现复杂网络社团上是有效的。     

一种新的CMAC函数逼近器及其再励学习方法

针对复杂再励学习系统状态空间存在维数灾问题，结合多移动机器人协调避障路径规划实际应用，用非均匀模糊分割方法将状态空间分解成模糊子空间，相应地将小脑模型连接控制器网络（Cerebellar Model Articulation Controller,CMAC)函数逼近器改进为模糊CMAC（Fuzzy CMAC,FCMAC)函数逼近器，并将FCMAC函数逼近器置入滞后更新多步Q（Pstphoned-Updating Multi-Stp Q-learning,PUMSQ)学习笮算法，提出FCMAC－PUMSQ学习算法，仿真实验证明，该算法有效且有较好的鲁棒性，FCMAC函数逼近器有较好的收敛速度和泛化能力。     

基于自适应物理模型的量子网络排序算法（英文）

对网络节点进行排序是复杂网络分析的核心问题之一.提出了一种改进的SpringRank算法.该算法基于一个把节点之间连接视为静止长度可变的弹簧的自适应物理模型,并基于此定义一个新型罚函数.通过最小化罚函数,该算法可以对有向和加权复杂网络的节点进行排序.为了避免经典算法中计算复杂度随着节点数量的增加而过快增加的情况,使用量子算法加速罚函数最小化过程.罚函数的凸性使我们能够通过求解线性系统的方式找到最小值.当线性系统具有稀疏且条件数较小的性质时,使用量子线性求解器HHL算法找到罚函数的最小值.如果线性系统没有这两个性质,则使用量子虚时演化QITE算法通过迭代方法找到最小值.最后,使用量子模拟器QPanda对多个网络用所提出的两种求最小值算法进行了节点排序测试,实验结果显示两种算法都能给出正确的排序结果.     

基于SOFM网络的多层模糊关联规则挖掘算法

为了表示复杂庞大的概念层次树,文中提出了一种更加通用的编码方案,将概念分层应用于模糊关联规则的挖掘.此外,为解决隶属度函数难以主观确定的问题,引入一种SOFM网络来确定样本数据的隶属度函数.基于改进的概念层次树的编码方案和SOFM网络,将模糊集引入关联规则挖掘中,设计了一种新的多层模糊关联规则挖掘算法.实验结果表明,该算法可以有效地挖掘出易于理解的、有意义的多层次模糊关联规则,具有很好的效率和伸缩性.     

基于pi-sigma神经网络的模糊建模与控制及其仿真研究

提出了一种基于高木-关野模糊系统的pi-sigma神经网络结构、学习算法,并分析了学习算法的收敛性.用这种混合型pi-sigma神经网络系统去实现模糊规则及其隶属函数的修正,从而得到模糊推理的自适应性.在设计过程中,引入Zadel模糊取乘算子,使之适合基于梯度的学习算法.最后的仿真结果表明此种网络的有效性、优越性并且在非线性建模、控制等方面有重要的应用价值.     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

对一种基于RBF神经网络结构的模糊隶属度函数学习计算方法研究的探讨

本文探讨了一种基于RBF神经网络结构的模糊隶属度函数学习算法的研究,并给出了验证该算法有效性的检验,检验结果表明了基于这种改进的RBF神经网络结构的隶属度函数的学习算法是比较有效的,在本文的基础上,还有以下的工作需要进一步研究:在线调节隶属度函数划分的中心值和宽度,利用遗传算法、免疫算法等进化算法优化RBF网络结构等等.     

一种模糊神经网络的改进学习算法

针对前人（Ｃ．Ｔ．Ｌｉｎ， ｅｔ ａｌ． Ｉｎ ＩＥＥＥ Ｔｒａｎｓ ＯｎＣｏｍ ｐｕｔｅｒ， １９９１， Ｖｏｌ．４０， Ｎｏ．１２） 提出的模糊神经网络结构，改进了已有的学习算法，新算法更加简洁有效。利用新算法，可以自动获取模糊规则。通过函数模拟实验，验证了新算法的有效性。提出了网络的分解与综合方法，避免了模糊神经网络用于实际复杂问题时，模糊规则的组合爆炸问题。该模糊神经网络可应用于换热器受热面的结垢过程模拟。     

一种脉冲噪声模糊检测和滤波算法

脉冲噪声滤波一直是图像处理研究热点。提出一种适合各种脉冲噪声,基于模糊检测和滤波新算法。这种非线性滤波算法由脉冲噪声检测和脉冲噪声滤波两部分组成,能够很好的保留原图像的轮廓清晰度。基于梯度模糊度的观点,我们构造了一个用隶属函数描述的脉冲噪声模糊集。将隶属函数用于滤波,实质是对邻像素的模糊度加权平均。实验结果显示:无论图像中含脉冲噪声多少,该算法都能快速、高效检测去除脉冲噪声算法。     

基于模糊均值的细菌群体趋药性复杂网络社团结构发现

复杂网络的社团发现问题是网络数据挖掘中的重要问题之一.利用基于模糊C均值的细菌群体趋药性算法最大化网络的模块度,算法中模糊C均值的初始值由群体细菌取药性算法获得.模糊C均值算法在此基础上发现复杂网络的社团结构.其创新点在于最佳模块度的寻找.实验结果表明:该算法具有对现实世界网络社团划分的可行性和有效性.     

BP网络学习参数模糊自适应算法的实现

前馈神经网络ＢＰ算法的改进方案中，对网络训练（学习）过程率和惯性系数进行模糊自适应调节，以提高收敛速度，晃一项很有效的措施。文中具体分析了如何根据设计者的先验知识确定模糊规则和录属函数，并以三比特异或函数（或称奇偶分类）的实现为例，验证了这种算法的改进、加速了ＢＰ网络的学习过程。     

模糊逻辑函数图形分解法

就我们所知,已有的一些模糊逻辑函数分解方法都只能适用于某些特珠类型的函数,本文,在参考考资料的基础上,提出了一种分解模糊逻辑函数的图形算法.这个算法是个完全算法,它可适用于任一类型的模糊逻辑函数的分解。此外、它还比已有的模糊图。S—图更为简便和直观。     

一种模糊小脑模型神经网络及其仿真研究

在传统小脑模型的基础上,利用其特有的寻址方式,引入模糊逻辑的思想,采用模糊隶属度函数作为接受域函数,提出了一种模糊小脑模型神经网络。重点研究了接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明,该模糊模型具有良好的泛化能力和逼近精度,且可获得连续性强且有解析微分输出的复杂函数。     

基于模糊粒子群算法的非线性函数优化

针对非线性函数优化问题,提出一种新型的模糊粒子群算法.该算法基于模糊控制器中输入输出的模糊化处理和粒子群寻优的特点.算法在Matlab 2008环境下编程实现,针对几个典型复杂的非线性函数进行优化测试.实现结果表明:模糊粒子群算法是一种简单有效的算法,具有良好的有效性和鲁棒性.     

多输入多输出复杂过程的模糊建模

针对 MIMO复杂过程提出一种通过实验数据获取模糊系统模型的方法 ,即将每一维输入变量的论域进行等间隔分割后确定出模糊规则的前件参数和规则总数 ,再由一种调整算法通过对实验数据的学习得到模糊规则的后件参数。理论分析说明这种模糊规则后件参数学习算法是收敛的、所建模糊模型能够以要求的精度逼近已知的实验数据。仿真举例验证了所述模糊建模方法的有效性并说明了所建模糊规则模型有较好的泛化能力     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

复杂网络中的层次结构挖掘

挖掘复杂网络中的层次结构对复杂网络的研究有着重要的意义.复杂网络中的社团结构往往具有层次性.过去的研究中,研究者更多的关注于层次社团结构,而很少关注于社团内部成员的层次结构.因此,提出一种基于模糊相容关系的层次结构挖掘算法(fuzzy tolerance relation based hierarchical structure detection algorithm,FHSD),旨在挖掘层次社团结构以及社团内部成员层次结构.在该算法中,首先通过相似度函数计算节点之间的相似性从而获取一个满足模糊相容关系的相似度矩阵;其次,基于相似度矩阵获取对应的商空间链;然后,依据重叠节点对各社团的隶属度处理商空间链各层中的重叠节点,从而得到层次社团结构;最后,基于处理后的商空间链,获取对原始模糊相容的近似模糊等价关系,从而获取社团内部成员层次结构.在真实网络上的实验结果表明:(1)复杂网络中不仅存在层次社团结构,同时存在基于模糊相容关系的社团成员层次结构;(2)相比于当前主流的社团挖掘算法,FHSD挖掘出的社团结构具有最高的精准性(NMI accuracy)和较高的模块度值.     

基于模糊原理与频率分组的G函数算法

针对CHESS系统核心技术差分调频算法中G函数存在的缺点,提出一种新的G函数算法,其中频率转移函数采用了模糊算法、选择算法和复杂的分组算法.分组算法中的频率组作为调频状态量,组内再确定频率点.模糊算法和选择算法保证了转移函数的复杂度,改善了跳频序列的随机性和均匀性,增强了系统的隐蔽性和抗跟踪性.