一种改进型神经网络算法NN-LMBP

提出最近邻Levenberg—Marquardt误差反向传播神经网络算法。针对BP神经网络收敛速度慢的不足，利用Levenberg—Marquardt优化算法进行改进。同时为了提高神经网络的泛化能力，进一步基于最近邻算法对样本进行修剪。试验表明，与一般神经网络算法相比，NN-LMBP在改善神经网络泛化能力的基础上，有效地提高了神经网络收敛的速度。     

证券指数的网络动力学模型

基于复杂网络的分析方法，由香港证券市场的恒生指数（HSI）构建一个加权证券指数网络，通过对网络连接矩阵最大反比参与率厦其对应本征矢量的计算。得到了四个网络拓扑重要性节点，发现具有拓扑重要性的证券指数网络节点具有很好的统计稳定性，这说明香港证券市场在统计意义下是动力学稳定的而不是随机的。识别这些具有拓扑统计重要性的节点对应的证券市场指数的波动模式，利用复杂网络的拓扑结构来反映证券指数波动的动力学相互关联和作用，为证券市场动力学性质的研究提供了一种新的方法。     

复杂网络抗毁性研究综述

自从小世界效应和无标度特性发现以来，复杂网络的研究在过去几年得到了迅速发展，其中复杂网络的抗毁性是研究焦点之一。本文首先从抗毁性分析、抗毁性优化两个方面详细综述了目前复杂网络抗毁性研究的进展。最后对复杂网络抗毁性研究存在的问题和未来发展的趋势进行了总结和展望。     

稀疏自动编码器在文本分类中的应用研究

传统的文本分类算法都是采用期望交叉熵、信息增益和互信息等统计方法,通过设置阈值获取特征集,如果训练集的数据量较大,则容易出现特征项不明确,特征信息丢失等缺陷,为解决上述问题,提出运用“深度学习”中的稀疏自动编码器算法自动提取文本特征,然后结合深度置信网络形成SD算法进行文本分类。实验表明,在训练集较少的情况下,SD算法的分类性能低于传统的支持向量机,但是在处理高维数据时,SD算法则比支持向量机具有较高的准确率和召回率。     

K度Steiner问题

给定平面上n个固定点 (称为正则点 )的集合N和m =n - 2k- 2 个可动点 (称为Steiner点 )的集合M ,其中k( 3≤k≤n)是确定的正整数 要求互联点集V =N∪M的网络的拓扑在正则点的度为 1 ,Steiner点的度不超过k ,这种网络称为k度网络 确定m个Steiner点的位置 ,使互联这n m个点的k度网络总长度最短 显然这个最短的k度网络一定是树 ,我们称这个树为k度Steiner最小树 (kDSMT) ,并称这个问题为k度Steiner问题 本文得到了kDSMT的一些结构特征 ,并提出了一些有待进一步研究的问题     

基于域理论的自适应谐振神经网络研究

在自适应谐振理论和域理论的基础上提出了一种基于域理论的自适应谐振神经网络算法ＦＴＡＲＴ。该算法将自适应谐振理论和域理论的优点有机结合,采用了独特的解决样本间冲突和动态扩大分类区域的方法,不需人为设置陷层神经元,学习速度快,精度高。此外,还提出了一种从ＦＴＡＲＴ网络中抽取符号规则的方法,即基于统计的产生－测试法,实验结果表明,使用该方法抽取出的符号规则可理解性好、预测精度高,可以很好地描述ＦＴＡＲＴ     

论我国高新技术产业园区的区域创新网络建设

大量的研究表明硅谷等高新区发展的关键,在于园区内形成了一个完善的区域创新网络,所以建立完善的区域创新网络对我国高新区的发展是至关重要的。文章首先分析了区域创新网络的概念及特征;其次,分析了区域创新网络对高新技术产业发展的作用与影响;第三,指出了目前我国高新技术产业园区内区域创新网络建设存在的问题;最后,就如何培育区域创新网络,促进我国高新区发展提出了对策及建议。     

基于贝叶斯网络和用户行为日志挖掘的行为信任研究

深入研究信任管理和行为信任的模型及方法,设计基于贝叶斯网络的信任预测和控制算法,综合利用聚类和分布密度函数设置算法参数,建立可量化的证据与信任等级之间的对应关系,算法可预测多属性下的行为信任等级.深入IIS和.Net底层实现可配置的信任管理插件,形成用户行为日志,为预测和控制算法提供证据, 免除了一般Web日志的清洗工作.实验数据表明算法的应用提高了服务器各项性能,并约束了用户的商业行为.     

非线性系统辨识的一种泛函网络方法

泛函网络是最近提出的一种对神经网络的有效推广.与神经网络不同,它处理的是一般的泛函模型,而不仅仅是Sigmoidal函数,并且在各个处理单元之间没有权值.提出了一种基于泛函网络的非线性系统的辨识方法,而网络参数利用梯度下降方法来进行学习.计算机仿真结果表明,这种辨识方法具有较快的收敛速度和良好的性能.     

Hammerstein系统自适应神经网络控制算法的收敛性分析

对一类确定性Hammerstein系统,给出了基于神经网络的自适应控制算法。考虑到神经网络的非线性特点,特别是其自适应学习能力,控制系统采用两个神经网络分别作为估计器和控制器,通过在线训练网络的权重来获得模型参数和控制输入。神经网络的训练用Widrow-Hoff学习规则。对算法的全局收敛性进行分析表明系统具有总体收敛性,输入输出有界。