环结构神经网络及其互联想性能

本文提出了一种称为环结构神经网络(LANN)模型及其学习算法。它能像Hopfield网络,双向联想记忆(BAM)网络和其它类似网络一样工作,特别是它能执行多类样本之间的互联想记忆。理论分析和计算机模拟都证明LANN具有很好的收敛性,是一种有效的网络结构。最后本文给出了计算机模拟结果。     

分布式移动代理系统的事务管理及死锁检测研究

讨论了并发执行的移动代理间的一致性控制问题,给出了移动代理的形式模型及其交互执行的正确性准则,然后基于上述模型,提出了一种有效的分布式死锁检测算法,该算法具有独立于网络的拓扑结构,死锁的检测和事务代理的执行异步操作,不对代理的移动性施加任何限制等特点。     

环结构神经网络及其互联想性能

本文提出一种称为环结构神经网络（ＬＡＮＮ）模型及其学习算法，它能像Ｈｏｐｆｉｅｌｄ网络，双向联想记忆（ＢＡＭ）网络和其它类似网络一样工作，特别是它能执行多类样本之间的互联想记忆，理论分析和计算机模拟都证明ＬＡＮＮ具有很好的收敛性，是一种有效的网络结构，最后本文给出了计算机模拟结果。     

基于MDL原理与混合遗传算法的Bayesian网络结构学习

从大型数据库中学习Bayesian网络结构是Bayesian网络应用的难点之一。在分析标准遗传算法与爬山算法各自优点与不足的基础上，将这两种算法相结合，以最小描述长度为评价函 数，得到一种混合遗传算法，实现了它们的优势互补。文章给出了混合遗传算法的计算步骤，并通过对ALARM数据库学习得到的Bayesian网络结构。     

标签传播算法在社会网络中的应用研究

近年来,社会网络簇结构挖掘取得了长足的进展,广泛应用在社会网、生物网和万维网等领域中。如何挖掘社会网络中各种潜在结构和信息成为研究热点。标签传播算法是一种能够利用少量已标记节点的标签信息去预测大量的未标记节点的标签的半监督学习算法。介绍了标签传播算法理论,给出了标签算法的特点,总结了标签传播算法在社会网络中的应用及发展趋势。     

无线传感器网络协同任务分配研究

无线传感器网络的任务协同主要是任务的描述、分解、分配、调度和执行。任务分配是任务协同的主要内容．任务分配的方案直接决定着网络能耗,从而影响网络的生命周期。着重分析了无线传感器网络协同技术以及启发式算法解决任务分配的问题,并给出了无线传感器网络任务分配需要进一步研究的内容和方向。     

基于BD度量的简单贝叶斯优化学习算法

贝叶斯优化算法是利用贝叶斯网络匹配进化种群的优良解集而产生新的染色体来体现种群的进化.在贝叶斯网络对种群进行匹配的过程中,贝叶斯网络结构越复杂,种群的进化信息描述越完整,进化质量越高,但运算速度相对来说越慢;相反,贝叶斯网络越简单,算法描述的种群的进化信息越少,进化质量越差,但却能够提高算法的运算速度.基于此,给出了简单贝叶斯优化与复杂贝叶斯优化定义.针对简单贝叶斯网络提出了基于BD度量的三步结构学习算法,并给出了一个利用这种算法进行贝叶斯网络结构学习的例子.     

T-S模型的模糊神经网络控制器及应用研究

本文介绍了Ｔ－Ｓ模型的模糊神经网络,讨论了这种网络的结构、学习算法,给出了由这种网络组成的控制器结构。仿真结果表明此控制器对船舶操纵等非线性系统具有很好的控制性能和鲁棒性。     

一种信号源个数估计的新方法

在常用的阵列测向算法中,一般认为信号源数是先验参数,当信号源数估计错误时,方位估计的性能会严重下降,甚至完全失效。文中引入径向基网络,将信号源估计问题转化为一个模式分类问题来解决,利用径向基函数神经网络结构简单、训练简洁且学习收敛速度快,能够逼近任意非线性函数的特点,最后给出了算法的实现方法、仿真结果以及与现有算法的性能比较。     

T—S模型的模糊神经网络控制器及其应用研究

本文介绍了Ｔ－Ｓ模型的模糊神经网络，讨论了这种网络的结构、学习算法，给出了由这种网络组成的控制器结构。仿真结果表明此控制器对船舶操纵等非线性具有很好的控制性能和鲁棒性。     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。     

一种序贯学习神经网络及其应用

本文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识的优点。文中给出了这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

一种通过节点序寻优进行贝叶斯网络结构学习的算法

针对K2算法过度依赖节点序,遗传算法节点序寻优效率差的问题,该文提出一种直接对节点序进行评分搜索的贝叶斯结构学习算法。该算法以K2算法为基础,首先通过计算支撑树权重矩阵,构建能够定量评价节点序的适应度函数。然后通过提出混合交叉策略和孤立节点处理机制,同时利用动态学习因子和倒置变异策略,提升遗传算法节点序寻优的性能。最后将得到的节点序作为K2算法的先验知识得到最优贝叶斯网络结构。仿真结果表明,该方法解决了K2算法依赖先验知识的问题,相比于其它优化算法,评分值平均增加了13.11%。     

基于混合方式的贝叶斯网络结构学习

基于最大主子图分解技术和遗传算法,提出了一种混合方式的贝叶斯网络结构学习算法。该算法首先根据领域知识和观察数据构造网络的无向独立图,并对其进行最大主子图分解,再利用遗传算法学习每个子图的结构,同时进行合并修正得到最优的贝叶斯网络结构。分解过程将一个学习大网络问题转化为小子图的学习问题,降低了搜索空间。仿真结果表明,新算法的学习效果与运行效率均有明显提高。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

RBF网络雷达天线扫描方式识别系统

采用一种基于免疫算法和最小二乘法的两级学习方法设计径向基函数(RBF)网络,并将其应用于雷达天线扫描方式识别系统。这种RBF网络学习方法通过引入免疫算法的多样性保持机制和免疫记忆机制提高了网络训练算法的优化效率,并在一定程度上抑制了未成熟收敛现象。仿真结果表明,基于这种RBF网络的雷达天线扫描方式识别系统达到了较高的识别精度。     

基于混合PSO小波网络的网络异常检测

提出一种用新型的进化学习算法训练的小波神经网络(WNN).这种新型的进化学习算法是基于粒子群算法(PSO)和共轭下降法(CG)提出的.以往,将粒子群算法用于神经网络的训练一般是可行的.因为粒子群算法相比于其他的优化算法,具有相对简单的结构和快速的收敛速度,然而,由于粒子的搜索坍塌速度过快而导致粒子停滞这种潜在的危险.粒子的持续停滞使搜索结果很难达到全局最优,甚至会陷入局部最优.为了克服粒子群算法缺点提出了改进的混合算法.通过对KDD 99数据集的实验表明,利用新型混合算法训练的小波神经网络对于异常检测具有很高的异常检测率并且又较低的误判率.可见,该方法对于网络异常检测是有效的.     

Bayesian network structure learning algorithm based on hybrid binary salp swarm-differential evolution algorithm

Aiming at the disadvantages of Bayesian network structure learned by heuristic algorithms,which were trapping in local minimums and having low search efficiency,a method of learning Bayesian network structure based on hybrid binary slap swarm-differential evolution algorithm was proposed.An adaptive scale factor was used to balance local and global search in the swarm grouping stage.The improved mutation operator and crossover operator were taken into salp search strategy and differential search strategy respectively to renew different subswarms in the update stage.Two-point mutation operator was adopted to improve the swarm’s diversity in the stage of merging of subswarms.The convergence analysis of the proposed algorithm demonstrates that best structure can be found through the iterative search of population.Experimental results show that the convergence accuracy and efficiency of the proposed algorithm are improved compared with other algorithms.     

基于特征排列和空间激活的显著物体检测方法

显著物体检测目前在计算机视觉领域中非常重要,如何处理不同尺度的特征信息成为能否获得优秀预测结果的关键。该文有两个主要贡献,一是提出一种用于显著目标检测的特征排列方法,基于自编码结构的卷积神经网络模型,利用尺度表征的概念将特征图进行分组和重排列,以获得一个更加泛化的显著目标检测模型和更加准确的显著目标预测结果;二是在输出部分利用了双重卷积残差和FReLU激活函数,抓取更全面的像素信息,完成空间信息上的激活。利用两种算法的特点融合作用于模型的学习训练。实验结果表明,将该文算法与主流的显著目标检测算法进行比较,在所有评测指标上都达到了最优的效果。     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。