一种基于Pareto最优概念和神经网络混合策略的多目标进化算法

基于Pareto最优的多目标进化算法得到了广泛地应用,但不适用于目标函数为非解析式的情况。基于神经网络和Pareto最优的联合策略,提出了一种解决此类问题的新方法：首先采用神经网络对历史数据进行学习,建立有效的神经网络模型来代替目标函数解析式;然后将神经网络模型嵌入多目标进化算法,进行进化计算;最后,将本文方法应用于卷烟配方比例掺配问题。实验结果表明,该方法优于传统方法,能较好地解决问题。     

存在时延和数据包丢失情况下状态反馈网络控制系统的指数稳定性

同时考虑网络诱导时延和数据包丢失以及传感器与控制器、控制器与执行器之间均存在网络的情况，研究了状态反馈网络控制系统的稳定性问题．基于一定的数据包丢失率和恒定时延，系统被建模为由结构事件率约束的异步动态切换系统．利用李亚普诺夫方法和线性矩阵不等式描述，推导出由数据包丢失率约束的系统指数稳定的充分条件，给出了系统指数稳定的容许数据丢包率和系统开环状态及闭环结构的关系，以使系统指数稳定．用Matlab LMI工具箱容易判定系统的指数稳定性，同时获得系统指数稳定的状态反馈控制律．Matlab仿真说明，分析方法是有效的，稳定判据是可行的．     

CCED5.0中自动演示教程的制作方法

在CCED5.0的使用中,有一个自动执行CCED教程演示程序的批命令demo.bat,执行该批命令以后,出现如下的画面:     

基于小波网络的BP算法改进研究

对BP算法的特点进行了分析,在权值平衡算法的基础上,应用小波网络对其进行改造,提出了基于小波网络的BP权值平衡算法,给出了具体的算法步骤,仿真结果证明该算法既具有BP网络的简捷性,又能够提高学习速度和精度,避免了BP网络易出现的收敛速度慢、易产生局部最优解的问题,是一种较好的神经网络学习算法。     

基于Pareto最优概念的多目标进化算法研究

基于Pareto最优概念的多目标进化算法已成为多目标优化问题研究的主流方向。详细介绍了该领域的经典算法,重点阐述了各种算法在种群快速收敛并均匀分布于问题的非劣最优域上所采取的策略,并归纳了算法性能评估中需要进一步研究的几个问题。     

跨越连接多层神经网络的稳定性

研究了跨越连接多层神经网络的结构和稳定性。提出了有跨越连接的误差反向传播算法,通过仿真实验说明了跨越连接多层神经网络收敛性和稳定性优于传统网络。     

抗局部几何失真的可读水印算法研究

提出了一种可有效抵抗局部几何失真的可读取图像水印新算法。该算法首先利用Harris算子提取特征点作为水印信息的同步标识,并以每个特征点为中心确定一系列不相交的局部区域;然后,根据人眼视觉系统掩蔽特性,通过量化调制小波系数的方式将一个大小为1024-bits的可读水印独立地、自适应地嵌入到所有局部区域中。仿真实验结果表明所提出算法不仅具有良好的透明性和较理想的水印容量,而且对常规信号处理和各种几何攻击均具有较强的鲁棒性。