近似欧氏距离变换的一种并行算法

提出了一种基于超大规模集成电路(VLSI)硬件结构的新型距离变换并行处理算法。距离变换是一种基于二值图像的全局操作，在骨架抽取、形状匹配、目标重建、机器人避障等图像分析与模式识别算法中有着广泛的应用。欧氏距离是精确的L2范数距离，但是由于欧氏距离的非线性，不利于各种并行算法和加速算法的设计与实现，因此在应用中各种变形的加权距离作为欧氏距离的近似得到了实际推广。本文算法是有别于传统近似欧氏距离的并行计算方法，可应用于传统IC硬件或数字信号处理芯片(DSP)。理论分析和实验结果表明，该方法具有算法简单、快速、误差小等特点，可以更好地近似欧氏距离，并同时得到图像的Voronoi图，是一种实际可行的升级算法。     

基于模糊逻辑和免疫遗传算法的入侵检测

随着网络入侵方法和网络计算环境的变化,使得入侵越来越难以被检测和防范。该文论述了通过使用模糊数据挖掘和免疫遗传算法,分别对正常行为模式和待检测行为模式建立关联、序列规则集,进而通过比较待检测行为模式的规则集与正常行为模式的规则集的相似度,确定是否有入侵事件发生。经过仿真测试,证明该方法可以有效地检测异常攻击事件。     

基于欧式距离的AES算法模板攻击

针对AES算法Cache计时模板攻击时会触发大量的Cache失效,容易被硬件计数器检测出来的问题,基于Flush+Flush攻击模型,提出一种基于欧氏距离的AES算法模板攻击方法,以减少触发Cache失效的次数,使攻击更加隐蔽.使用Flush+Flush攻击模型获取AES算法在内存中映射的位置;利用已知明文攻击不断地触...     

基于欧氏空间相似度的云模型协同过滤算法

传统的基于余弦相似度度量的云模型协同过滤推荐算法未考虑特征向量的长度和维度,忽略了三个重要数字特征云期望、熵和超熵的关系,如各数字特征具有不同的性质和权重,导致特征丢失、区分度过小的问题。针对这些问题,提出了一种采用标准化的多维欧几里德相似度计算方法,通过将三个数字特征映射为三维空间的点,计算经指数函数标准化的欧几里德相似度,生成更合理的用户k近邻集,最终产生推荐。实验结果表明,该相似度计算方法能够为云特征向量提供更显著的区分度,并在一定程度上提高了推荐质量。     

一种新的免疫遗传算法及其应用

为了克服基本遗传算法存在的缺点和不足,将免疫系统中抗体多样性的维持机制引入遗传算法,同时兼顾个体多样性和提高种群中个体适应度的水平,提出了基于相似性矢量距为选择概率的免疫遗传算法,并给出了此类概率选择的一般表示形式.为了防止基于相似性矢量距为选择概率的免疫遗传算法在优化过程中出现退化现象,通过在算法中引入免疫疫苗的方式,对该算法进一步加以改进.从每一代保优抗体中提取有效信息,进而得到一种新的疫苗提取方法.基于所提出的改进免疫遗传算法,提出了改进的编码方案.对20个城市的TSP问题进行研究,通过不同参数的比较,得出了算法中相关参数的取值范围.比较了6种算法的收敛速度,进一步证实了所提出算法具有良好的收敛性.     

基于免疫遗传算法的前向神经网络设计

针对传统BP算法训练速度慢、易陷入局部最优等缺点,该文提出了一种采用免疫遗传算法设计前向神经网络的方法。为解决神经网络权值随机初始化带来的问题,介绍了一种基于免疫的多样性模拟退火法(SAND算法)来进行神经网络权值初始化。仿真结果表明,该算法比混合遗传算法有更高的性能。     

模糊神经网络算法在倒立摆控制中的应用

本文利用一种可以进行结构和参数学习的模糊神经网络成功地控制一级倒立摆,该网络是一种多层前馈网络,它将传统模糊控制器的基本要件综合到网络结构中。从而使该网络既具备神经网络的低级学习能力,从而还具备模糊逻辑系统类似人的高级推理能力。因而,给定训练数据后,该网络不仅可以学习网络参数,同时还可以学习网络结构。结构学习确定了表示了模糊规则和模糊分段数的连接类型以及隐节点数目。对一级倒立摆的实际控制效果可以证明该算法的性能和实用性。     

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

基于U模型的模糊免疫自抗扰控制方法研究

针对一类非线性系统在持续扰动下的控制问题,设计基于U模型的模糊免疫自抗扰控制方法。首先,引入U模型方法进行被控对象建模,提高处理非线性系统的能力,结合自抗扰控制方法,设计基于U模型的改进自抗扰控制器。在非线性反馈环节引入模糊免疫方法实现非线性智能反馈,设计基于U模型的模糊免疫自抗扰控制系统。最后仿真实验表明：基于U模型的模糊免疫自抗扰控制方法在保持了基于U模型的自抗扰控制的简洁性和良好抗扰性能的基础上,简化了控制器参数调节过程,在持续未知扰动下的跟踪速度、精度都更优。     

基于竞争方程的竞争型协同进化算法及应用

协同进化算法是近年来针对遗传算法的不足而兴起的，还处于研究初步阶段。本文在竞争型协同进化的基础上，借鉴生态学中种群竞争的Gause竞争模型，提出了Gause竞争型协同进化模型及算法，并将该算法应用于模糊神经系统的辨识问题上。实验证明，该算法比标准遗传算法、典型竞争型协同进化算法和BP学习算法具有更好的全局收敛性和更快的收敛速度，它在一定程度上解决了标准遗传算法的不足。     

单幅散焦图像的局部特征模糊分割算法

当前局部特征模糊分割算法没有对单幅散焦图像进行预处理,导致单幅散焦图像的清晰度较低,从而影响分割效果。原有的模糊分割算法在像素分割的过程中,像素标签量巨大,从而导致分割过程复杂。为此,提出利用免疫谱聚类算法实现对单幅散焦图像的局部特征模糊分割。首先,通过分块的方法对局部模糊图像进行再次模糊;然后,比较模糊前后散焦图像的奇异值变化,并以该变化为依据对散焦图像进行标识 ;最后,提取出单幅散焦图像的奇异值特征,进而实现单幅散焦图像的局部特征模糊分割的目标。利用谱聚类的方法对散焦图像中的像素点样本进行聚类,采用Nystrm逼近方法对像素点相似性矩阵的特征向量进行计算,降低了计算的复杂度;同时利用免疫算法提高聚类结果的准确性,保证了散焦图像的局部特征模糊分割结果。实验结果表明,所提算法能够有效地对单幅散焦图像进行分割,分割的效果较好,计算过程较为简单。     

一种免疫克隆选择算法在BP网络学习中的应用

在分析BP网络学习存在的问题后,采用了一种免疫克隆选择算法对BP网络的权值进行优化学习,并提出了一种新的变异方法,该变异方法可以根据亲和力的大小自适应调整抗体变异的幅度,与传统的高斯变异相比,不但简化了抗体的编码,还很好地体现了克隆选择算法抗体变异的特点,提高了算法的搜索能力和收敛性能。仿真实验表明,基于这种变异方法的免疫克隆选择算法可以很好地提高BP网络的学习速度,有效地避免算法过早收敛的问题。     

一种面向Web日志挖掘的免疫网络聚类算法

Web日志隐含了用户访问网站的行为和特点,对其进行聚类分析可以获取用户的浏览模式,发现用户访问网站的偏好和兴趣,从而优化站点结构,实现个性化的服务。针对Web日志数据特点,本文提出免疫网络聚类算法。该算法将Web服务器看成生物机体,用户访问Web的请求序列看成需要检测的入侵抗原,模拟抗体学习抗原的生物机理,自动生成代表用户访问模式的记忆抗体,实现动态聚类。     

基于免疫遗传算法的动态递归模糊神经网络在发酵过程中的应用

针对软测量建模数据中过失误差及动态递归模糊神经网络的结构复杂,大量参数难以确定的情况,提出基于免疫遗传算法动态递归模糊神经网络软测量方法。利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以提高计算速度。此外应用减法聚类确定模糊规则数,以简化网络结构,同时应用免疫遗传算法优化模型参数以提高模型的精度和泛化能力。该方法应用于赖氨酸发酵过程菌体浓度的软测量,仿真结果表明,该方法具有较高的预测精度,满足现场测量要求。     

基于模糊区域宽松距离的改进GEAR传感网络均衡算法

传感节点的有效选择对无线传感网络通信有着重要影响。在分析传统的GEAR传感节点分配算法基础上,提出基于模糊区域宽松距离的改进GEAR传感网络均衡算法。运用一种基于节点模糊区间划分,伴随节点运用一种宽松距离的方法进行逼近,依靠得到的模糊节点可靠性隶属度函数,完成对节点的最终选择,从而避免传统GEAR节点分配算法中单纯依靠地理位置与能量开销等先验知识进行节点选择的弊端。实验验证该方法的通信能量消耗曲线趋势要低于传统GEAR算法,能有效调节传感网络的拥塞。     

基于犹豫模糊语言术语集的正交模糊聚类算法

犹豫模糊语言术语集（Hesitance Fuzzy Linguistic Term Sets,HFLTSs）允许决策者们用几个可能的语言术语来评估一个属性.近来,采用HFLTSs来进行模糊聚类分析的问题越来越受关注.考虑到目前基于HFLTSs的模糊聚类算法还存在计算复杂度高的问题,提出了一种新的正交模糊聚类算法：首先计算样本之间的距离测度得到距离测度矩阵,接着计算其等价矩阵;然后确定置信水平值,通过置信水平值对等价矩阵进行切割;最后根据切割矩阵的列向量之间的正交关系来确定对应样本是否可以放在同一个类别,以此得到聚类结果.该算法步骤简单,计算复杂度低,并且适合于数据量大的模糊聚类问题.本文末尾将通过一个实例结合k-means聚类算法证明该算法的可行性和高效性.     

基于改进免疫克隆算法的BP网络权值优化

在简单分析了BP网络的缺陷以及应用遗传算法来优化网络权值存在的不足之后,采用了一种免疫克隆算法对BP网络的权值进行优化,并对算法的变异算子进行了改进,改进后的变异算子把高斯变异与柯西变异有效地结合在一起,兼顾了精确的局部搜索与大范围搜索的优点,在扩大算法搜索范围的同时也保证了算法搜索的精细度.仿真实验结果表明,改进后的免疫克隆算法不仅有效地提高了BP网络学习的速度,还很好地改善了算法收敛性能,克服了遗传算法收敛速度慢,易陷入局部极优的缺点,可以成功地应用于BP网络的权值优化.     

半监督空间化竞争聚集算法及其在图像分割中的应用

经典竞争聚集( CA)算法在聚类时对于样本中的少量已知信息没有加以利用,但这些信息往往需要应用到整个聚类过程中。此外,在相似度度量函数的选择上CA算法使用常见的欧氏距离,然而欧氏距离仅适用于团状数据,制约了算法的应用范围。针对上述问题,通过引入具备半监督学习能力的半监督项对隶属度矩阵进行增强,利用聚类中心和中心邻近的点组成空间,把样本点与该空间的距离替代欧氏距离作为新的相似度度量标准,并给出判断聚类中心能否合并的阈值参数,最终得到半监督空间化CA算法。通过在人造图像和真实图像上的分割结果表明,该算法能够更准确地获取聚类类别数以及更好的聚类效果。     

基于模糊Elman网络算法的移动机器人路径规划分析

为了调正移动机器人避障线路,建立了基于模糊Elman网络算法的移动机器人路径规划模型,并应用进行Matlab仿真分析。利用现有障碍物的距离信息来实现机器人步长的实施可控制与调节,防止移动机器人在做出准确避障行为之后因为没有设定合适的步长而导致撞上障碍物,以0.5作为机器人的最初运动步长。仿真结果表明,采用模糊Elman网络可以获得比其它两种方法更优的路径规划效果,同时对障碍物进行高效避让,由此实现最优的路径规划。采用模糊Elman网络来构建得到的路径规划算法能够满足规划任务的要求,同时还能够根据机器人处于不同工作空间中的情况进行灵活调整。     

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力.但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数（RBF）神经网络结构,利用改进的遗传算法（GA）对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度.神经网络正向模型（NNP）利用弹性BP算法进行离线辨识,使得到的模型泛化性能好.