一种基于权值的大规模分布式系统结构脆弱性分析算法

结构脆弱性是大规模分布式系统的典型脆弱性类型之一.针对大规模分布式系统实体间复杂的依赖关系和冗余备份机制,构建了实体拓扑模型.该模型采用简单有向图描述实体间依赖关系,采用故障容忍机制刻画节点间的冗余关系,并引入权值刻画节点或边失效对于业务流程的影响.在此基础上,提出了基于权值的大规模分布式系统结构脆弱性分析算法,该算法通过权值计算和基于故障传递的剪枝方法发现并验证结构脆弱性.通过算法分析和实现充分验证了算法的有效性.     

实数编码遗传算法的前向神经网络优化设计

提出一种综合控制策略的实数编码遗传算法,用该算法实现对前向网络结构及权值的同时优化设计。用非线性函数的逼近问题作仿真实验。结果表明,该算法能快速有效地确定网络结构及权值。     

一种软件质量度量的权值分配及调整方法

首先简要介绍了一种软件质量度量模型，然后给出了权值的一些基本知识以及确立的原则，接着针对该软件质量度量模型列出了一个权值分配表，并设计了一种权值调整算法。该算法可实现对某一特性的权值改动，并同时对其他特性的权值进行重新分配，最后通过一个示例对算法作了进一步的说明。本文为定量评价软件质量提供了一个可行的权值分配及调整方法。     

两输入幂激励前向神经网络权值与结构确定

基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型.以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法.计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力.     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。     

一种权值直接确定及结构自适应的Chebyshev基函数神经网络

基于函数逼近理论,构造一种Chebyshev基函数神经网络模型.推导出该网络模型的权值直接确定方法,可一步计算出权值,克服了传统BP神经网络学习率选取困难、学习过程冗长和易陷入局部极小等缺点.在此基础上,设计了基于二分搜索的结构自适应算法,根据精度要求自动确定网络最优结构.理论分析及仿真验证均表明,该网络不仅能够快速地完成网络权值确定和结构自适应,且具有优异的学习与逼近能力,而且对随机加性噪声也具有较好的抑制作用.     

基于递阶遗传算法的BP网络结构设计与权值训练

针对BP网络结构设计及权值训练算法多种改进方案的不足，基于递阶遗传算法，本文同时考虑神经网络结构设计和权值训练，提出一种新的适应度函数，实现了对BP网络结构和权值的同步优化。仿真结果证明了本文算法的有效性。     

一种求解GP-决策树权值矢量算法及应用

提出一种基于遗传程序设计算法(GPA)求解决策树结点的权值矢量,并根据树结点的错误率与分割后的错误率减少量构造GP-决策树算法的方法。该方法不但可以求解出树结点的权值矢量,同时也确定了GP-决策树的结构。实验结果表明,应用GP-决策树算法能够正确完成对趋势预测模型的选择。     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

一种基于页面Block的Web信息提取方法

基于页面结构的信息提取是Web数据挖掘中三大研究领域之一。该研究的关键技术是如何识别Web页面的组织形式,从中挖掘所需要的页面信息。文中基于页面的语义分块（Block）给出一个新的块主题提取算法,与传统的以页面为单位的Web信息提取相比,更符合实际情况,粒度优势明显。该算法针对页面中不同分块的重要性给予不同的权值,依据权值大小取舍页面信息提供给用户。针对该算法进行了模拟实验,从实验结果可以看出该算法具有一定的实用性和有效性。     

基于权因子的NURBS曲线形状调整

利用NURBS曲线的齐次坐标表示，直观地证明了单个权因子变化时，曲线上的点朝向或背离控制点的方向运动．然后推导出两个权因子的变化对曲线形状的影响规律，即曲线上点的位置变化可表示成两种运动的组合：一个是朝向或背离第一个控制点，另一个则朝向或背离第二个控制点．在此基础上，进一步讨论了同时修改三个权因子以实现单点位置和切向约束的问题．最后给出了用该方法对曲线形状做修改的例子．     

基于属性权重区间监督的模糊C均值聚类算法

在加权模糊聚类算法中,属性权重确定的合理性是一个重要问题.鉴于用区间数描述决策者推理模糊性的优越性,提出属性权重用区间数表示,由区间层次分析法获得属性对聚类的贡献度,并以该区间为约束条件,提出了可同时获得属性权重和聚类结果的模糊C均值聚类新算法.实验结果表明,该算法以决策者的经验和偏好为监督,可避免迭代计算陷入不必要的局部极小解,能够提高权重分配的合理性,进而得到了更为准确的聚类结果.     

基于自适应递阶遗传算法的神经网络优化策略

基于递阶结构的遗传算法可以同时对多层前向神经网络进行结构优化和权重求解。与基本的遗传算法相比，这种算法不仅在权重训练方面更加快速稳定，而且能在学习过程中确定网络的拓扑结构，具有较高的学习效率，而在遗传过程中采用自适应的交叉和变异概率能有效加快遗传速度和避免早熟现象的出现。     

An evolutionary algorithm that constructs recurrent neural networks

Standard methods for simultaneously inducing the structure and weights of recurrent neural networks limit every task to an assumed class of architectures. Such a simplification is necessary since the interactions between network structure and function are not well understood. Evolutionary computations, which include genetic algorithms and evolutionary programming, are population-based search methods that have shown promise in many similarly complex tasks. This paper argues that genetic algorithms are inappropriate for network acquisition and describes an evolutionary program, called GNARL, that simultaneously acquires both the structure and weights for recurrent networks. GNARL's empirical acquisition method allows for the emergence of complex behaviors and topologies that are potentially excluded by the artificial architectural constraints imposed in standard network induction methods.     

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。     

Weight determination in the cross-efficiency evaluation

A neutral data envelopment analysis (DEA) model for cross-efficiency evaluation was recently proposed by Wang and Chin [Wang and Chin (2010b). A neutral DEA model for cross-efficiency evaluation and its extension. Expert Systems with Applications, 37(5), 3666–3675], which maximinimizes the relative efficiency of each output and effectively reduces the number of zero weights of outputs. Since a large number of zero weights may still exist among inputs, this paper proposes a simultaneously input- and output-oriented weight determination DEA model for the cross-efficiency evaluation. The new DEA model proves to reduce the number of zero weights for both inputs and outputs very significantly, as illustrated by numerical examples. The weights determined by the new DEA model are neutral, neither aggressive nor benevolent.     

基于稀疏贝叶斯学习的图像重建方法

结合稀疏贝叶斯学习(SBL)和可压缩传感理论(CS),给出一种在噪声测量条件下重建可压缩图像的方法.该方法将CS理论中图像重建过程看作一个线性回归问题,而待重建的图像是该回归模型中的未知权值参数;利用SBL方法对权值赋予确定的先验条件概率分布用以限制模型的复杂度,并引入超参数;最大化超参数的边缘对数似然函数求得权值参数的最优估计即待重建图像.该方法同时还给出了权值估计的后验概率密度和误差条,从而获得权值最优值的不确定性测量.实验结果表明,SBL方法可以获得精确重建,并且在相同相对重建误差的条件下,比基追踪(BP)方法需要更少的重建时间,比正交匹配追踪(OMP)需要更少的测量次数.     

TLWCC：一种双层子空间加权协同聚类算法

协同聚类是对数据矩阵的行和列两个方向同时进行聚类的一类算法。本文将双层加权的思想引入协同聚类,提出了一种双层子空间加权协同聚类算法(TLWCC)。TLWCC对聚类块(co-cluster)加一层权重,对行和列再加一层权重,并且算法在迭代过程中自动计算块、行和列这三组权重。TLWCC考虑不同的块、行和列与相应块、行和列中心的距离,距离越大,认为其噪声越强,就给予小权重;反之噪声越弱,给予大权重。通过给噪声信息小权重,TLWCC能有效地降低噪声信息带来的干扰,提高聚类效果。本文通过四组实验展示TLWCC算法识别噪声信息的能力、参数选取对算法聚类结果的影响程度,算法的聚类性能和时间性能。     

基于改进模糊熵和证据推理的多属性决策方法

针对证据推理方法框架下属性权重难以获取的问题,提出一种基于改进模糊熵和证据推理的多属性决策方法。首先,定义证据推理信度决策矩阵框架下的三角函数模糊熵公式,并证明了其满足熵的四个公理化定义。其次,所提方法能够同时处理属性权重完全未知和属性权重信息部分已知两种情况：当属性权重完全未知时,基于信度框架下的改进模糊熵和熵权法的基本思想计算属性权重;当属性权重信息部分已知时,定义加权模糊熵,建立期望模糊熵最小的线性规划模型求解最优属性权重。最后,利用证据推理算法融合方案属性值,结合期望效用理论得到方案排序结果。通过实例计算,并与传统模糊熵计算方法进行比较分析,验证了所提方法能够更加充分地反映原始决策信息,更具客观性和一般性。