一种改进的深度神经网络应用于推荐系统

推荐系统是信息过滤的一种重要工具。随着互联网和大数据的介入,推荐系统的技术革新面临着新的挑战。近年来,深度学习的革命性进步在语音识别、图像分析和自然语言处理方面都受到了广泛关注。与此同时,一种应用于许多复杂任务的最先进的机器学习技术被用于推荐系统,以提高推荐的质量。由于其一流的性能表现和高质量的推荐结果,深度学习可以更好地理解用户需求、项目特征及其之间的历史性互动。文章提出将一种改进的深度神经网络应用于推荐系统。实验结果表明,该方法的效果令人瞩目。     

基于改进的基因表达式编程自动优化CNN

为设计出具有高性能的卷积神经网络(CNN),且不需要在CNN和应用问题领域拥有广泛的专业知识和实践经验进行较优的CNN设计变量设置,提出一种基于模糊控制多细胞基因表达式编程算法来自动优化CNN的方法.通过设计一种有效的可变长度基因编码策略来表示CNN的设计变量,描述不同的构建块和不可预测的最优深度,将该算法应用于MNIST、CIFAR10和大肠癌症医学图像3个数据集进行验证.与其它已有先进算法进行实验比较,其结果表明,所提算法在分类准确度中可获得更好的效果,算法鲁棒性更强,且整个过程全自动完成.     

GA与PSO的混合研究综述

传统算法无法满足现代大规模、多变量、多约束的复杂问题求解,使得智能算法的应用越来越广泛。但单一智能算法在解决很多复杂问题时依然存在不足,利用算法之间互补性的混合算法便应运而生,并且取得了较好的实验效果,被越来越多的国内外学者所关注。以混合方式为研究主线,对智能算法中的遗传算法（GA）和粒子群算法（PSO）的融合方式进行分析与综述,并对其进一步的研究发展方向进行了探讨。