基于递推正交最小二乘的RBF网络结构优化

讨论了次胜者受罚的竞争学习规则,提出了基于最小二乘（OLS）递推算法,采用改进的Givens旋转变换技术避免了大型矩阵的QR分解运算。在满足系统测量精度条件下,使用反向优选算法优化RBF网络结构。仿真结果表明,所得算法能有效地解决网络学习隐层单元的确定需要人介入的问题,适用于非线性系统的建模。     

带有Poisson跳的随机延迟微分方程数值算法的几乎必然指数稳定性

运用Lyapunov函数和半鞅收敛定理,研究了带有Poisson跳的随机延迟微分方程(SDDEJ)在满足局部Lipschitz条件和线性增长条件时,如何保证全局解的唯一存在性,证明了用EM算法和倒向EM算法求解带有Poisson跳的随机延迟微分方程(SDDEJ)所得数值解的几乎必然指数稳定性.     

基于云模型理论改进的贝叶斯分类算法

基于云模型理论对朴素贝叶斯分类器进行了改进,使得分类器能够处理语言中的一些模糊值,扩展了朴素贝叶斯分类器的应用范围.使用UCI鸢尾花数据集对算法进行了实验仿真和结果分析.结果表明,改进后的分类算法在一定程度上提高了分类精度.     

倒向重随机微分方程

在任意给定的时间区间上，一类倒向重随机微分方程的系数仅满足局部Lipschitz条件，得到了解的全局存在唯一性结果．     

基于g-期望的H(o)lder不等式

给出了当倒向随机微分方程的生成元满足次可加性和正齐次性时, 由倒向随机微分方程定义的g 期望的Hlder不等式.     

推广的倒向随机微分超前方程

研究了对应于正向随机微分延迟方程的倒向随机微分超前方程的解的存在惟一性和对参数的连续依赖性.     

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C 以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO 算法生成的平均路径长度、路径长度标准差都优于对比算法。