基于偏最小二乘的BP网络模型及其应用

基于BP网络模型具有拟合非线性数据的特性,提出一种基于非线性迭代偏最小二乘算法(NIPALS)的BP网络的构造策略,构造了新的PLS-BP网络模型,使BP网络减少迭代步数,提高学习效率.采用非线性迭代偏最小二乘算法预处理数据,将得到主成分数、自变量和因变量的主成分数的权重以及主成分间的关系矩阵B,以此用来确定BP网络的隐节点数和输入层、输出层的初始权值以及隐节点的关联系数.最后,进行仿真实验,并将它与PLS模型、标准的BP网络模型进行了比较,仿真结果表明,拟合和预测效果较好.     

基于新的初始化策略计算MVEE的积极集算法

针对计算最小体积闭包椭球(MVEE)的积极集算法中原初始化策略耗时较多的问题,先给出一个基于样本协方差矩阵构造的新初始化策略,然后将该初始化策略应用于秩-2更新算法中,并给出一个计算MVEE改进的积极集算法.数值实验结果表明,基于新的初始化策略的积极集算法能有效提高求解大规模数据集MVEE问题的计算效率.     

一种基于拟蒙特卡罗法的骨干粒子群改进算法

针对骨干粒子群算法因受粒子初始化位置分布不均影响易陷入局部最优的问题,提出一种基于拟蒙特卡罗法的初始化策略,用以确保粒子初始位置在搜索空间内保持随机分布,从而有效提升骨干粒子群算法的搜索能力.仿真实验表明:与经典骨干粒子群算法相比,采用拟蒙特卡罗法进行初始化的改进算法搜索能力有所增强,问题求解精度有明显提升.     

采用改进Snake模型的胸片肺野自动分割方法

为了解决传统Snake模型应用于X光胸片肺野分割时,对人工初始化轮廓的选择敏感、对凹陷区域分割不准确等问题,提出一种基于自动初始化Snake模型的X光胸片肺野自动分割方法.该方法首先通过Otsu法对原始图像进行二值化,得到包含肺野、背景区域的二值图像,并经过图像取反和连通域处理,运用形态学方法,得到只含有肺野区域的二值图像;然后,通过边界提取,完成对Snake模型轮廓的自动初始化;最后通过Snake模型的演化,得到分割结果.实验结果表明:该方法能摆脱Snake模型对人工初始化轮廓的依赖,提高分割的鲁棒性,同时对凹陷区域的分割更准确,具有更好的分割效果.     

基于已知移动站点数的分布式初始化算法

初始化是建立一个Ad Hoc网络的基本任务之一，其涉及了分布式地为n个移动站点分配从1到n不同的ID，提出了用于初始化的一个具有载波侦听能力的Ad Hoc网络的算法，提出了一个在初始化过程中，通报一个处于传输状态的移动站点传输是否成功的新确认方案，叙述了在网络中用户数已知的假定条件下的分布式初始化算法，该算法通过优化关键参数以最小化完成初始化过程的时间，通过仿真验证，并与已知移动站点数随机初始化算法相比较，表明该算法优于随机初始化算法。     

SIM卡(Phase2)的指令系统及其初始化编程

介绍了 GSM Phase 2 SIM卡的数据结构和指令系统等 ,讨论了在 GSM/ DCS应用中对SIM卡的初始化过程 ,并给出了程序流程。     

铁路行包运输交付系统初始化设计

铁路行包运输交付系统初始化子系统由路径表初始化,系统标题表初始化,操作行李员表初始化,初始参数设定和计算参数设定等模块构成.铁路行包运输交付系统的初始化设计,主要解决系统在铁路各等级车站使用中作业流程、业务管理的差异问题.本文讨论了该系统中初始化模块的设计思想与实现手段.     

扩展Petri网在实时数据库并发控制中的应用

提出了初始化弧的概念,并将这一概念引入高级时间Petri网中,从而给出了扩展的高级时间Petri网(Extended High-Level Time Petri Nets-EHLTPN).此外,在EHLTPN模型中,变迁所附加的常量时间区间扩展为变量时间区间.用EHLTPN对实时数据库系统的并发事务进行了建模,所建模型不仅可以描述并发事务在数据存取中所出现的各种现象,而且还可以实现2PL-LW协议所具有的可避免并发事务的无用重启、无用等待、无死锁的等功能.     

ITTFA迭代向量初值选择新策略

提出了一种新的初始迭代向量选择方法,利用渐进因子分析(EFA)提供的色谱流入流出信息来选择迭代初值,采用设定极大值区间的方法,选择几个极大值点来代替只有一个极大值点,尽可能地使迭代向理想的方向收敛.在某一组分的流入流出区间迭代初值设为1,无流出的区域迭代初值设为0,拓展了传统ITTFA方法计算中初始迭代向量只在一个点设定极大值的方法.采用该法解析模拟二维数据和实际酒样GC/MS二维数据中的重叠组分,取得了令人满意的结果.     

基于残差超网络的DNA微阵列数据分类

DNA微阵列数据特征维度高,包含噪音,属性之间以及属性与样本类别之间有着复杂的关联性.然而传统超网络的超边一般是从训练集中随机选取属性而组成,难以保证超边质量,而且其分类性能受超边初始化过程影响很大,导致效果不稳定.针对传统超网络的这一局限,提出一种基于残差分析的超网络分类模型.残差算法根据显著性检验,首先假设属性相互独立,然后根据95％的置信水平,运用残差分析,用落入拒绝域的属性值对超网络的超边库进行初始化,以获取关联性较高的超边集合.然后采用梯度下降法进行超网络的演化学习.对急性白血病、前列腺癌和肺癌数据集的实验表明:与传统演化超网络分类器相比,该方法不仅有较高的分类精度,而且提高了分类的稳定性和收敛性.