基于ELM-PNN算法的第24周太阳黑子预测预报

为了提高太阳黑子预测预报的精度,提出固定型极限学习过程神经网络(FELM-PNN)和增量型极限学习过程神经网络(IELM-PNN)两种学习算法.FELM-PNN的隐层节点数目固定,使用SVD求解隐层输出矩阵的Moore-Penrose广义逆,通过最小二乘法计算隐层输出权值;IELM-PNN逐次增加隐层节点,根据隐层输出矩阵和网络误差计算增加节点的输出权值.通过Henon时间序列预测验证了两种方法的有效性,并实际应用于第24周太阳黑子平滑月均值的中长期预测预报中.实验结果表明,两种方法的预测精度均有一定程度的提高,IELM-PNN的训练收敛性优于FELM-PNN.     

量子行为引力搜索算法

为提高引力搜索算法的优化能力, 通过在原始算法中融合量子计算, 提出一种量子行为引力搜索算法. 该算法采用类似量子行为粒子群优化的寻优机制, 在每步迭代中, 计算个体适应度, 根据适应度计算个体质量, 取前K 个质量最大的个体作为候选集. 采用轮盘赌方法在候选集中选择一个作为Delta 势阱的中心, 调整其他个体向该中心移动完成一步优化, 在优化过程中使K 值单调下降, 以期达到探索和开发的平衡. 标准函数极值优化的实验表明, 所提出的算法比原算法在优化能力和优化效率两方面都有明显提高.

     

一种改进的双链量子遗传算法及其应用*

针对目前双链量子遗传算法中保持种群多样性和改善优化效率问题提出了三种改进方法。通过在量子比特概率幅三角函数表达式中引入常数因子,使搜索过程在多个周期上同时进行,以改善算法的优化效率;提出了一种基于单比特量子Hadamard的变异策略,可提高保持种群多样性的概率;改进了量子旋转门转角步长函数,能够有效避免算法震荡,增强算法的适应性。以多变量函数极值优化问题为例,仿真实验结果表明上述三种改进措施是有效的。     

一种量子行为进化算法及应用

为了提高进化算法的优化能力,提出一种量子行为进化算法.该算法基于Bloch球面建立搜索机制,首先用量子位描述个体,用泡利矩阵建立旋转轴,用量子位在Bloch球面上的绕轴旋转实现进化搜索;然后用Hadamard门实现个体变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.以函数极值优化为例,实验结果表明该算法具有较高的优化能力和优化效率.     

基于改进QGA的T-S模糊控制器设计

利用基于量子位测量的二进制量子遗传算法(QGA)对连续问题进行优化时,频繁的解码运算严重降低了优化效率。针对该问题,提出一种基于量子位相位编码的QGA。该算法直接采用量子位的相位对染色体进行编码,利用量子旋转门实现染色体上相位的更新,通过Pauli-Z门实现染色体的变异,由于优化过程统一在 空间进行,因此对不同尺度空间的优化问题具有良好的适应性。以单级倒立摆T-S模糊控制器参数的优化设计为例进行仿真,证明该算法在搜索能力和优化效率方面的优势。     

基于分段线性插值的过程神经网络训练

过程神经元网络的输入为时变连续函数,不能直接输入离散样本。针对该问题,提出一种基于分段线性插值函数的过程神经网络训练方法。将样本函数、过程神经元权函数的离散化数据插值为分段表示的线性函数,计算样本函数与权值函数乘积在给定采样区间上的积分,将此积分值提交给网络的隐层过程神经元,并计算网络输出。实验结果证明了该方法的有效性。     

一种概率过程神经元网络模型及分类算法

针对动态信号分类及与先验类别知识融合问题,提出了一种概率过程神经元网络模型．模型将贝叶斯概率分类机制与过程神经元网络动态信号处理方法相结合,通过在前馈过程神经元网络中增加一个模式单元层,以及采用归一化指数类型激励函数,实现基于贝叶斯规则的动态信号分类．分析了概率过程神经元网络分类机制与贝叶斯分类规则的等价性,给出了具体的学习算法,实验结果验证了模型和算法的有效性．     

一种基于灰度级相位的指纹图像增强方法

图像增强是指纹识别系统中非常重要的一个步骤。本文提出了灰度级相位的概念,并实现了一个根据灰度级相位增强指纹图像的方法。该方法首先计算指纹区域内每个像素点的灰度级相位,然后对灰度级相位进行滤波,最后根据滤波后的灰度级相位构建指纹图像。测试结果表明该方法对低质量的指纹图像增强效果好。     

基于三次样条函数拟合的过程神经元网络训练

过程神经元网络的提出为大样本识别问题开辟了新途径，但其训练方法目前主要基于权函数正交基展开。这种方法基函数个数选取目前尚无理论依据。提出了基于三次样条函数拟合的过程神经元网络训练方法。首先将样本函数、过程神经元权函数的离散化数据拟合成分段表示的三次样条函数，然后计算样本样条函数与权值样条函数乘积在给定采样区间上的积分，并将此积分值提交给网络的过程隐层神经元，输出层由普通神经元组成。三次样条函数具有很好的光滑性、可积性、阶数低、参数少等优点，有效地简化了网络的时空聚合运算。实验表明该方法是可行的。