广义系统的有限时间滑模变结构控制

研究了一类广义系统的有限时间滑模变结构控制问题。通过非奇异线性变换把广义系统变换成受限等价形式,利用Lyapunov函数的方法,提出了一种新型的有限时间滑模变结构控制策略,给出了特殊的开关型滑模面,设计了相应的滑模变结构控制器,使得闭环系统渐进稳定,实现了滑模运动,保证了在滑模面上系统状态变量在有限时间内到达平衡点。给出了可行性算例,说明了设计的有效性。     

无线传感网络中的分簇算法综述

近年来无线传感网络的研究和应用取得了长足进展,其应用领域涵盖抢险救灾、战场侦察、资源保护、安全监控和智能家居等.为了改善传感网络的性能和提高可扩展性,节点往往按照分簇结构进行组织.本文介绍了分簇算法产生的背景和作用,说明了分簇算法需要考虑的因素、分簇目标、特性和复杂性.然后,基于收敛速率、簇结构稳定性和节能意识等方面概...     

一种量子神经网络模型及改进学习算法

提出一种量子BP网络模型及改进学习算法,该BP网络模型首先基于量子学中一位相移门和两位受控非门的通用性,构造出一种量子神经元,然后由该量子神经元构造隐含层,采用梯度下降法进行学习。输出层采用传统神经元构造,采用基于改进的带动量自适应学习率梯度下降法学习。在UCI两个数据集上采用该模型及算法,实验结果表明该方法比传统的BP网络具有较好的收敛速度和正确率。     

基于遗传算法的BP神经网络优化策略研究

人工神经网络（ANN）可用作机器人控制器,完成多机器人协作搬运作业。针对这种方法收敛速度较慢,误差较大的不足,本文提出基于遗传算法优化的方法。该方法利用遗传算法优化人工神经网络,通过改变ANN结构和遗传算法操作参数,找到最优网络,提高网络收敛速度。仿真结果证明,该方法的可行性与有效性。     

基于车辆路径问题的蚁群算法参数的优化

蚁群算法是一种解决组合优化问题的有效算法,已得到日益深入的研究,并逐渐得到应用。蚁群算法的一个不足是,算法参数的设置往往凭借经验,缺乏充足的依据。文章以车辆路径问题（vehicleroutingproblem,VRP）为例,从一个烟草配送的智能决策系统中抽取一定量的数据,对蚁群算法中各参数与算法收敛性之间的关系进行了大量的仿真实验,通过对实验结果的分析,给出了解决此类问题时的一种优化算法参数的方法。     

基于改进遗传算法的波束形成方法

研究传感器阵列信号优化问题,针对传统的简单遗传算法应用于传感器阵列的波束形成时,存在收敛速度慢和计算结果稳定性低的问题,提出了一种基于改进遗传算法的波束形成优化方法。算法对简单遗传算法的初始种群生成、适应度函数、交叉算子和异化算子等多个要素进行了改进,并融入了自适应技术。将改进的遗传算法应用于波束形成,并进行了仿真。仿真结果证明,有效地提高了收敛速度和计算结果的稳定性。证明改进遗传算的波束形成方法,获得了比原始方法旁瓣级更低的波束图,波束形成的性能更优。     

改进型的快速免疫遗传算法研究

作为一种有效的优化方法,遗传算法在实际中的应用非常普遍。但它用来解决实际问题时,其收敛速度慢和稳定性差成为需要解决的关键问题。为了克服这些问题,本文通过创建最初的人口,免疫选择操作,改进遗传算子等一系列的方面来改善免疫快遗传算法。实验表明该算法比许多现有的算法具有更快的收敛性和更好的稳定性。     

拟概率空间上学习理论的关键定理和学习过程一致收敛速度的界

进一步讨论了拟概率的一些性质,给出了拟概率空间上的拟随机变量及其分布函数、期望和方差的概念及若干性质;证明了拟概率空间上的Markov不等式、Chebyshev不等式和Khinchine大数定律;给出并证明了拟概率空间上学习理论的关键定理和学习过程一致收敛速度的界,把概率空间上的学习理论的关键定理和学习过程一致收敛速度的界推广到了拟概率空间,为系统地建立拟概率上的统计学习理论与构建支持向量机奠定了理论基础.     

基于信息几何的混沌支持向量机预测

复杂环境中存在大量的混沌现象,难以用传统的预测方法进行准确预测.针对这一问题,本文利用信息几何理论、支持向量机理论与重构相空间理论,提出混沌支持向量机CSVM,对含有混沌现象的时间序列进行预测;针对混沌环境下核函数难于构造,从信息几何角度,提出在混沌环境下,如何方便准确得进行构造核函数;最后将CSVM应用于Henon混沌系统实验.实验结果表明,误差随嵌入维数变化和延迟时间变化趋于恒定;与BP、RBF和SVM相比,CSVM具有所需支持向量少,收敛速度快,准确性高等特点.     

暂态混沌神经网络在蛋白质关联图预测中应用研究

蛋白质结构预测是生物信息学的一个主要研究方向,而蛋白质关联图预测是其中的一个重要内容.针对蛋白质关联图预测问题,提出一种暂态混沌神经网络实现方法,所提出的方法具有暂态混沌特性和平稳收敛特性,能有效避免传统Hopfield 神经网络极易陷入局部极值的缺陷.它通过短暂的倒分叉过程,能很快进入稳定收敛状态.仿真结果表明:暂态混沌神经网络解决蛋白质关联图预测问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率.这种方法预测精度达到0.27,比随机预测器高9倍.