粒子群优化覆盖算法

在覆盖算法中,识别精度与泛化能力之间存在矛盾。为此,结合粒子群优化(PSO)具有的全局搜索能力,提出一种PSO覆盖算法。将领域覆盖算法中每一类样本形成的一组覆盖转化为粒子群,并在迭代过程中搜索出较好的覆盖粒子,从而得到一组个数较少且分类效果较好的覆盖。实验结果表明,该算法具有较高的分类识别精度及较优的泛化能力。     

基于条件信息熵的覆盖约简算法

针对覆盖算法中识别精度与泛化能力存在的矛盾,在信息论观点的Rough集理论基础上,提出覆盖熵概念,以决策属性相对于分类器的条件信息熵为约束条件,在确保算法分类能力不降低的情况下,对一组覆盖中信息熵最大的覆盖进行约简,减少了分类器的不确定因素。实验结果证明,该算法具有很好的识别精度与泛化能力,对模糊、不确定的数据也具有较好的处理能力。     

WCBVSM与SACA结合的文本分类模型

给出了一个词共现改进的向量空间模型（Word Co-Occurrence Mode Based On VSM,WCBVSM）与模拟退火交叉覆盖算法（Cross Cover Algorithm Based On Simulated Annealing Algorithm,SACA）相结合的文本分类新模型。传统的向量空间模型（VSM）采用词条作为文档的语义载体,没有考虑文本上下文词语之间的语义隐含信息,在词共现模型的启发下,提出WCBVSM,它通过统计文本中的词共现信息,加入VSM,以获得文档隐含的语义信息。针对交叉覆盖算法中识别精度与泛化能力之间的一对矛盾,结合模拟退火算法的思想,提出了SACA,改进了传统交叉覆盖在覆盖初始点选取时的随机性,并通过增加每个覆盖所包含的样本点来减少覆盖数,从而增强了覆盖的泛化能力。实验结果表明提出的文本分类新模型在加快识别速度的基础上,提高了分类的精度。     

基于改进粒子群和模糊神经网络的雾霾分类研究

针对粒子群算法对初始种群敏感和易陷入局部最优解等问题,提出了佳点集理论结合多种群多策略协同进化算法改进的粒子群算法(IMPMSPSO).首先采用佳点集理论生成佳点作为初始种群,使种群分布更均匀而在一定程度上减弱其对位置的敏感性;然后利用协同进化算法,先将种群随机分成若干子种群,各子种群随机选择一种改进的进化策略并行计算,并进行最优位置的共享.经过测试,IMPMSPSO在计算精度和收敛速度上均优于其他算法.最后利用IMPMSPSO优化模糊神经网络初始权值和阈值构造分类预测模型,对雾霾污染等级进行分类预测.结果表明,与其他分类模型相比,该模型在各等级上的准确率均有提高.     

一种新的基于神经网络覆盖分类算法

为了克服传统神经网络算法在处理分类问题时训练时间长、泛化能力弱的不足，提出了一种新的基于构造型神经网络覆盖分类算法，该算法通过在超球面上对样本数据进行聚类分析，找出同类样本中未被覆盖样本的最大密度点，然后在特征空间里做超平面与球面相交，得到球面领域覆盖，从而将神经网络训练问题转化为点集覆盖问题，同时也考虑了神经网络规模的优化问题。实验结果证明了该算法的有效性。     

基于佳点集的蝙蝠定位算法在WSN中应用

针对无线传感器网络(WSN)节点的定位误差较大的的问题,提出一种新的基于佳点集的蝙蝠定位算法.在改进的算法中,采用基于佳点集的方法对蝙蝠种群个体进行初始化优化,有效提高种群多样性,避免算法过早陷入局部最优;引入部落机制及自适应更新方式,可有效避免局部最优解的吸引,加快收敛速度;通过重构部落利用pareto分级有效避免个别优秀个体被淘汰,增强了泛化能力,提高算法精度.通过MATLAB模拟仿真平台仿真实验表明,改进后的算法具有较好的收敛性和良好的寻优性能,降低测距误差对定位的影响,提高节点的定位精度.算法系统实现条件简单、精度高,具有较高的实际应用价值.     

基于佳点集遗传算法的特征选择方法

针对特征选择中降维效果与分类精度间的矛盾,通过分析传统的特征选择方法中的优点和不足,结合佳点集遗传算法的思想和K最近邻简单有效的分类特性,提出了基于佳点集遗传算法的特征选择方法.该算法对特征子集采用佳点集遗传算法进行随机搜索,并采用K近邻的分类错误率作为评价指标,淘汰不好的特征子集,保存较优的特征子集.通过实验比较看出,该算法可以有效地找出具有较高分类精度的特征子集,降维效果良好,具有较好的特征子集选择能力.     

自适应增强卷积神经网络图像识别

目的 为了进一步提高卷积神经网络的收敛性能和识别精度,增强泛化能力,提出一种自适应增强卷积神经网络图像识别算法。方法 构建自适应增强模型,分析卷积神经网络分类识别过程中误差产生的原因和误差反馈模式,针对分类误差进行有目的地训练,实现分类特征基于迭代次数和识别结果的自适应增强以及卷积神经网络权值的优化调整。自适应增强卷积神经网络与多种算法在收敛速度和识别精度等性能上进行对比,并在多种数据集上检测自适应卷积神经网络的泛化能力。结果 通过对比实验可知,自适应增强卷积神经网络算法可以在很大程度上优化收敛效果,提高收敛速度和识别精度,收敛时在手写数字数据集上的误识率可降低20.93%,在手写字母和高光谱图像数据集上的误识率可降低11.82%和15.12%;与不同卷积神经网络优化算法对比,误识率比动态自适应池化算法和双重优化算法最多可降低58.29%和43.50%;基于不同梯度算法的优化,误识率最多可降低33.11%;与不同的图像识别算法对比,识别率也有较大程度提高。结论 实验结果表明,自适应增强卷积神经网络算法可以实现分类特征的自适应增强,对收敛性能和识别精度有较大的提高,对多种数据集有较强的泛化能力。这种自适应增强模型可以进一步推广到其他与卷积神经网络相关的深度学习算法中。     

应用佳点集的混合反向学习人工鱼群算法

为了改善人工鱼群算法求解精度较低、容易过早收敛的弱点,提出了一种应用佳点集和反向学习的人工鱼群算法.改进算法在迭代中对当前种群中部分优质个体执行一般动态反向学习,生成它们的反向种群,引导种群向包含全局最优的解空间逼近,以提高算法的平衡和探索能力.当种群的拥挤程度超过阈值λ时,利用佳点集机制对大部分个体重新初始化,以帮助算法脱离局部最优的约束.在六个Benchmark函数上的实验表明,该算法收敛速度快、求解精度高,适合求解函数优化问题.     

基于三维骨骼节点的人体行为识别方法

针对传统行为识别方法存在的数据存储空间不足、识别效率不高以及扩展性不强等问题,本文在利用空间中人体关节点数据进行人体行为表示的基础上,通过自建行为数据集结合Spark MLlib算法库的随机森林算法对行为识别进行建模。为了提升识别模型的泛化能力,本文利用Spark平台下算法的并行且快速迭代的特性,提出了一种多重随机森林的加权大数投票算法。实验结果表明,随着基分类器个数的增加,行为分类准确率显著增高,基分类器个数在5个以后行为识别准确率趋于稳定且高达95%以上。在MSR Daily 3D与MSRC-12数据集上也验证本文行为识别方法的有效性。     

ODIC-DBSCAN:一种新的簇内孤立点分析算法

长期以来,孤立点的检测一直聚焦于簇边缘的离散点,当聚类后簇的数目低于实际数目,或孤立点被伪装在簇内的情况下,簇内孤立点的判定则会更加困难.为判定簇内孤立点,提出一种基于密度聚类DBSCAN（Density based spatial clustering of application with noise）的簇内孤立点检测方法ODIC-DBSCAN（Outlier detection of inner-cluster based on DBSCAN）.首先在建立距离矩阵的基础上,通过半径获取策略得到针对该点集的k个有效半径Radius集合,并据此构造密度矩阵;然后建立点集覆盖模型,提出了相邻有效半径构造的覆盖多维体能够覆盖点集的思想,并通过拉格朗日乘子法求取最优的覆盖多维体数目之比,输出点比阈值组;最后重建ODIC-DBSCAN的孤立点检测方法,以簇发生融合现象作为算法终止的判定条件.实验通过模拟数据集,公开benchmark与UCI数据集共同验证了ODIC-DBSCAN算法,展示了聚类过程;分析了算法性能;并通过与其他聚类、孤立点判定方法的对比,验证了算法对簇内孤立点的判定效果.     

一种改进的领域覆盖算法

为解决领域覆盖算法中覆盖中心的选取问题,引入遗传算法中的适应度函数,提出一种改进的覆盖算法.以覆盖样本数最多为目标设计适应度函数,通过计算每个样本的适应度值来搜索最优覆盖中心,采用神经网络和灵敏度相结合的方法计算输入因素对输出因素的决策权重.实验证明,该算法能保证覆盖的稳定性,且覆盖中心的个数较少.     

基于佳点集遗传算法的聚类技术

提出了两种基于佳点集遗传算法的聚类新方法GAmeans和HgaMeans,适用于不同数据库下的聚类挖掘。GAmeans可用于发现指定簇数的聚类中心,具有对初始数据的弱依赖性、收敛快、精度高并可避免早熟的特点;而混合方法HgaMeans是利用k-means对GAmeans聚类结果的进一步提炼,实验表明它具有更好的聚类质量和综合性能。     

基于灾变遗传算法的二叉判定图最小化算法

二叉判定图广泛应用于形式验证,但相关算法存在节点规模过大的问题。提出了一种基于灾变遗传算法的二叉判定图最小化算法,它能在不扩大种群规模的情况下增加个体多样性,改善遗传算法局部收敛的问题。试验结果表明该算法的全局特性显著优于传统遗传算法,能够进一步减小节点规模,改善程度最高可达25%。而且,由于使用何种进化策略并不影响灾变的发生,因此,算法可扩展性好,极易与其他改进策略结合起来,在原有特性的基础上引入全局优势,以进一步减小节点规模。     

大变量逻辑函数最佳覆盖问题研究

逻辑函数的最佳覆盖，一直是逻辑综合领域的关键环节。尤其是大变量逻辑函数最佳覆盖，对复杂的逻辑综合更为重要，但也更加困难。本文在对逻辑覆盖算法研究的基础上，提出了适合大变量逻辑函数最佳覆盖的Beister改进算法。经过大量算题的测试表明，改进的列覆盖算法在时间复杂度和选择效果方面均优于Beister算法。     

学习自动机结合节点功率自适应调整的WSN目标覆盖方案

针对大多数现有无线传感器网络(Wireless Sensor Network, WSN)目标覆盖方案没有考虑传感器功率(传感范围)可调的问题,提出一种基于学习自动机(Learning Automata, LA)和节点功率自适应调整的WSN的目标覆盖方案。利用LA算法根据节点能量自适应调整节点的发射功率,构建能够覆盖所有目标的覆盖集,并通过精简过程获得最小覆盖集,从而减低节点的能耗,提高网络的生命周期。通过实验研究了传感器数量和目标数量对网络寿命的影响,并将该方案与基于贪婪算法、遗传算法的方案进行比较,结果表明,该方案能够获得更多的覆盖集和更长的网络寿命。     

Suboptimal minimum cluster volume cover-based method for measuring fractal dimension

A new method for calculating fractal dimension is developed in this paper. The method is based on the box dimension concept; however, it involves direct estimation of a suboptimal covering of the data set of interest. By finding a suboptimal cover, this method is better able to estimate the required number of covering elements for a given cover size than is the standard box counting algorithm. Moreover, any decrease in the error of the covering element count directly increases the accuracy of the fractal dimension estimation. In general, our method represents a mathematical dual to the standard box counting algorithm by not solving for the number of boxes used to cover a data set given the size of the box. Instead, the method chooses the number of covering elements and then proceeds to find the placement of smallest hyperellipsoids that fully covers the data set. This method involves a variant of the Fuzzy-C Means clustering algorithm, as well as the use of the Minimum Cluster Volume clustering algorithm. A variety of fractal dimension estimators using this suboptimal covering method are discussed. Finally, these methods are compared to the standard box counting algorithm and wavelet-decomposition methods for calculating fractal dimension by using one-dimensional cantor dust sets and a set of standard Brownian random fractal images.     

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。