基于互信息的特征子集选择

通过互信息的思想提出一个新的评价函数来评价属性之间的相关性,并结合LV算法进行特征子集选择.结果表明,该方法对分类问题效果明显.     

BP神经网络结点数选取的改进方法及其应用

提出一种改进的隐含层神经元个数的选取方法．该方法基于隐含层神经元输出之间的相关关系,估计隐含层结点数,把隐含层结点的改进算法用于物种选取的实例中,通过MATLAB编程实现,并与回归分析做出的结果进行比较．结果表明,该方法对建立BP神经网络结构有一定的借鉴作用．     

文化创意产业指标体系及评价模型

在国内外创意指数相关研究的基础上,构建了我国文化创意产业指标体系.并在此基础上建立了基于因子分析方法的评价模型,进一步利用该模型对我国七大城市的创意指数进行了测度,最后针对分析结果进行了排名.     

基于NSCT和混合粒子群算法的红外与可见光图像融合

针对红外与可见光图像融合的特点,提出一种基于非下采样Contourlet变换(NSCT)和混合粒子群算法的红外与可见光图像融合算法。通过NSCT变换对红外图像和可见光源图像进行分解,对低频子图像,采用一种基于区域平均值改进的加权平均法进行邻域融合,对高频子图像的最高层采用区域标准差选大法进行融合;对高频子图像的其他层采用以混合粒子群优化算法选取阈值,基于平均梯度选择的邻域算法进行融合。最后进行NSCT逆变换得到融合图像。实验结果表明该方法可以获得融合效果更佳的融合图像。     

基于Baker映射的自适应樽海鞘群算法

为了克服樽海鞘群算法(Salp Swarm Algorithm,SSA)求解准确性不足和易过早收敛的缺点,提出了一种多策略改进的樽海鞘群算法(MISSA)。引入Baker混沌映射生成樽海鞘群的初始种群,以提高初始个体的均匀性;将T分布策略应用到食物源位置公式中,对原始位置进行随机干扰,引导樽海鞘个体向最优解空间运动;在跟随者位置更新公式中引入不完全Γ函数的自适应权重,以改善算法的局部和全局搜索能力。将改进算法在8个测试函数上进行仿真实验,并与不同的群智能算法进行了比较。结果表明,改进算法具有更好的全局和局部搜索性能以及更高的搜索精度。     

动态调整概率的双重布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的仿生智能算法,存在着求解精度低、易陷入局部最优及收敛速度慢等缺陷,提出了动态调整概率的双重布谷鸟搜索算法(DECS)。首先,在自适应发现概率P中引入了种群分布熵,通过算法的所处迭代阶数和种群分布情况,动态改变发现概率P的大小,有利于平衡布谷鸟算法局部寻优和全局寻优的能力,加快收敛速度;其次,在布谷鸟寻窝的路径位置更新公式中,采用了一种新型步长因子更新寻优方式,形成Levy飞行双重搜索模式,充分搜索空间;最后,在随机偏好游走的更新公式引入非线性对数递减的惯性权重策略,使得算法有效克服易陷入局部最优的缺陷,提高寻优搜索能力。与4种算法相比和19个测试函数的仿真结果表明:改进布谷鸟算法的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

深度学习应用技术研究

本文针对深度学习应用技术进行了研究性综述。详细阐述了RBM（Restricted Boltzmann Machine）逐层预训练后再用BP（back-propagation）微调的深度学习贪婪层训练方法,对比分析了BP算法中三种梯度下降的方式,建议在线学习系统,采用随机梯度下降,静态离线学习系统采用随机小批量梯度下降;归纳总结了深度学习深层结构特征,并推荐了目前最受欢迎的5层深度网络结构设计方法。分析了前馈神经网络非线性激活函数的必要性及常用的激活函数优点,并推荐ReLU （rectified linear units）激活函数。最后简要概括了深度CNNs(Convolutional Neural Networks), 深度RNNs(recurrent neural networks), LSTM(long short-termmemory networks)等新型深度网络的特点及应用场景,并归纳总结了当前深度学习可能的发展方向。     

R^3上微分形式及其积分

通过借鉴流形上微积分的处理手法,在R^3中建立“微分形式的积分”的概念,使得Green公式、Stokes公式和Gauss公式内在联系的表述更加清晰。