基于跨越连接的多层前馈神经网络结构分析

任何连接方式的神经网络总可以归结为跨越连接网络。在传统多层前馈神经网络算法的基础上,提出了完全全连接神经网络的概念,给出了基于跨越连接的多层前馈神经网络算法。通过分析多层前馈神经网络的误差函数,从理论上证明了：相对于无跨越连接网络,基于跨越连接的多层前馈神经网络能以更加简洁的结构逼近理想状态。最后,用一个隐层神经元解决了XOR问题。     

基于Zernike矩和前馈神经网络的图像配准

提出一种基于Zernike矩和多级前馈神经网络的图像配准算法。利用低阶Zernike矩表征图像的全局几何特征,通过多级前馈神经网络学习图像所经历的旋转、缩放和平移等仿射变换参数,在一级前馈神经网络的基础上添加二级前馈网络,以提高参数估计精度。仿真结果表明,与基于DCT系数的神经网络算法相比,该算法旋转、缩放和平移估计精度较高,对噪声的鲁棒性较强。     

惩罚函数优化的前馈神经网络盲多用户检测

提出一种前馈神经网络盲多用户检测算法,利用前馈神经网络替代原有检测器中的滤波器,通过惩罚函数对约束恒模代价函数进行求解,获得前馈神经网络权值和参数的迭代公式,实现了盲多用户检测。Matlab仿真结果表明,该算法改善了系统的误码率性能,加快了算法的收敛速度。     

Fuzzy层次神经网络

本文提出和归纳了Ｆｕｚｚｙ前馈神经网络模型，并提出了Ｆｕｚｚｙ前馈神经网络的反向传播学习算法，模拟结果表明利用ＦｕｚｚｙＢＰ学习算法训练的Ｆｕｚｚｙ前馈神经网络具有较好的非逻辑归纳能力和Ｆｕｚｚｙ规则表达能力。     

前馈神经网络WAFS学习算法

1.引言前馈神经网络是目前应用最广的一种神经网络,其学习算法是由Rumelhart等人于1986年提出的反向传播(Back Propagation,BP)算法,故这种神经网络也常被称为BP神经网络。人们对前馈神经网络学习算法的研究,以前主要着重对各层之间联接权值优化的研究,如BP算法以     

Lagrange优化前馈神经网络盲多用户检测算法

提出了一种前馈神经网络盲多用户检测算法.该算法利用恒模准则构造了一个代价函数,给出了该算法的约束条件.利用增广Lagrange函数方法对带约束的代价函数进行优化求解,获得前馈神经网络网络权值和参数的迭代公式,从而实现了盲多用户检测.利用计算机对增广Lagrange函数优化的前馈神经网络盲多用户检测算法进行仿真.仿真结果表明,新算法具有较好的误码率及收敛特性等性能.     

Lagrange优化的LMK神经网络盲多用户检测

提出一种基于LMK准则的前馈神经网络盲多用户检测算法,给出算法的代价函数和约束条件,利用Lagrange方法对带约束的代价函数进行优化,获得前馈神经网络网络权值的迭代公式,从而实现神经网络盲多用户检测。仿真结果表明,新算法具有良好的误码率性能和收敛速度。     

基于多层前馈神经网络SPDS算法的地质数据非线性分析问题研究

多层前馈神经网络善于解决非线性分析问题,但对于复杂的地质数据,普通的训练算法难以收敛。首先介绍了SPDS算法,并把它用于解决地质数据的非线性分析问题。算法的仿真实验表明,用SPDS算法训练的多层前馈神经网络,比较好地解决了该问题。     

基于狼群算法的短时高速交通流量预测仿真

由于传统的短时高速交通流量预测算法的受到函数逼近能力影响,极易陷入局部极值的问题,提出基于狼群算法的短时高速交通流量预测算法。构造型前馈小波神经网络算法在多维空间内对短时高速交通流量预测,需通过构造型前馈小波神经网络算法分析随机相关多维样本逼近能力,利用改进狼群算法的全局寻优能力,提升算法搜索精度,并完成目标的搜索,根据搜索结果获取优质的函数逼近值最优解,提升构造型前馈小波神经网络算法函数的逼近能力,获取最佳短时高速交通流量预测值。仿真结果显示,上述算法的短时高速交通流量预测效果显著优于小波神经网络预测算法,且本文算法的预测精度较高,具有较高的稳定性。     

动态修正下的神经网络盲均衡算法

针对现有的神经网络算法收敛速度慢以及精确度低的问题,通过对传统的神经网络盲均衡算法以及前馈神经网络进行研究,提出一种具有自动修正效果的前馈神经网络盲均衡算法。该算法通过对算法中的代价函数以及迭代步长因子进行改进,来提高算法的收敛速度;通过对所获得的目标信号进行修正处理,来对所获取的信息进行修正。实验结果表明,该算法的实验结果与预期效果基本相符,具有可靠性强、收敛速度快的优势。     

基于免疫聚类的神经网络集成的研究

基于免疫聚类的思想,提出了一种神经网络集成方法。采用轮盘赌选择方法重复地从各免疫聚类中的抽取样本以构成神经网络集成中各个体神经网络的训练样本集,神经网络集成的输出采用相对多数投票法。将基于免疫聚类的神经网络集成应用于中医舌诊诊断,以肝病病证诊断进行仿真。实验结果表明:基于免疫聚类的神经网络集成比基于Bagging算法的神经网络集成能有效地提高其泛化能力。因此,基于免疫聚类的神经网络集成算法的研究是可行的、有效的。     

基于免疫机制和遗传算法的网络k-划分优化

计算机网络k-划分优化是对网络进行控制管理的有效方法之一。该文给出了一种基于免疫机制和遗传进化的计算机网络k-划分优化算法。该算法在遗传算法中引入免疫机制，有效克服了标准遗传算法的“早熟”现象，提高了算法的搜索效率；同时，采用一种新的杂交、变异算子，更便于算法的硬件实现。理论分析和仿真实验表明该算法是非常有效的。     

基于免疫机制的无线传感器网络路由优化

针对无线传感器网络节点能量受限,路由协议鲁棒性不强的特点,提出了一种基于免疫机制的路由优化算法。利用组播理论与人工免疫全局优化性能,建立路由优化与免疫系统映射关系,设计路由优化算法中的抗体表示、克隆繁殖、克隆选择和基因变异等免疫规则,并从计算方式、局部收敛预防和鲁棒性三方面分析算法的性能。仿真验证了算法的有效性。     

A Novel Clonal Selection Algorithm for Community Detection in Complex Networks

Recent years have seen the arising recognition of community detection in complex networks. Artificial immune systems, owing to their inherent properties, have been thoroughly studied and well applied to practical use. In this article, one of the well‐known artificial immune system models, named clonal selection algorithm, is introduced to reveal community structures in complex networks. By introducing a novel antibody population initialization mechanism and a novel hypermutation strategy, the proposed approach could be applied to moderate‐scale network. Besides, by optimizing an objective function called modularity density, the proposed algorithm is also capable of detecting community structure at multiple resolution levels. Experiments on both synthetic and real‐world networks demonstrate the effectiveness of the proposed method.     

基于免疫遗传算法的多层前向神经网络设计

利用一种基于免疫功能的遗传算法,设计多层前向神经网络,用于实现多层前向神经网络结构的确定和权值空间的搜索。仿真实验结果显示该算法具有比遗传算法和动量BP算法更好的全局收敛性和快速学习网络权值的能力。     

一种基于免疫和Hopfield神经网络的多峰值优化算法

分析了免疫算法和Hopfield神经网络的优缺点,提出了一种解决多峰值函数优化问题的混合算法。Hopfield神经网络易于硬件实现,具有简单、快速的优点,但是对初始值具有依赖性以及容易陷入局部极值。免疫算法具有识别多样性的特点,但搜索效率和精度不高。将两算法结合起来,优势互补。首先用免疫算法寻优,然后对所得具有全局多样性的解进行聚类分析,所得聚类中心作为Hopfield神经网络的初始搜索点,最后利用Hopfield神经网络逐个寻优。实验表明,该算法是一种有效的求解多峰函数优化问题的方法,与免疫算法相比,搜索效率和精度都较高。     

基于移动代理的无线传感器网络路由算法

针对移动代理(MA)以能量有效的方式收集相关性数据的特点,提出了基于免疫算法的层次型改进路由算法,将移动代理和无线传感器网络中的分簇理论相结合.算法首先应用免疫算法对网络内的节点进行优化分簇,簇首选择时充分考虑节点的剩余能量等因素,在获得高效的分簇信息之后,为了避免所有的簇头都与基站进行远距离通信消耗过多的能量,在次应用免疫算法得到一条遍历所有簇首节点的最优路径提供给移动代理,以达到数据的有效收集和能量高效利用的目的.实验结果表明,提出的改进算法能够有效增加网络的传输次数,延长无线传感器网络的生存周期.     

Community Detection in Dynamic Social Networks Based on Multiobjective Immune Algorithm

Community structure is one of the most important properties in social networks,and community detection has received an enormous amount of attention in recent years.In dynamic networks,the communities may evolve over time so that pose more challenging tasks than in static ones.Community detection in dynamic networks is a problem which can naturally be formulated with two contradictory objectives and consequently be solved by multiobjective optimization algorithms.In this paper,a novel multiobjective immune algorithm is proposed to solve the community detection problem in dynamic networks.It employs the framework of nondominated neighbor immune algorithm to simultaneously optimize the modularity and normalized mutual information,which quantitatively measure the quality of the community partitions and temporal cost,respectively.The problem-specific knowledge is incorporated in genetic operators and local search to improve the effectiveness and efficiency of our method.Experimental studies based on four synthetic datasets and two real-world social networks demonstrate that our algorithm can not only find community structure and capture community evolution more accurately but also be more steadily than the state-of-the-art algorithms.     

无线传感器网络最少数量通信节点定位方法

随机布置的无线传感器网络,通信节点数量和位置影响网络性能。利用免疫理论与矢量量化技术提出了一种具有最少数量特性的无线传感器网络通信节点定位方法。根据生物免疫机制建立无线传感器节点激活模型,基于免疫自适应调节算法确定传递事件信息所需最少通信节点数;以全部节点坐标为矢量,通信节点数为矢量类别,矢量量化后获得的代表矢量即为通信节点在监测区域的位置。仿真结果表明该方法能极大地减少通信节点数量,优化网络空间资源布局。     

气味标记法优化免疫算法的覆盖策略

覆盖问题一直是无线多媒体传感器网络研究的重点领域。为了能够达到对目标区域有效覆盖的同时,减少网络能耗,延长网络寿命的目的,提出了一种气味标记法优化的免疫算法SMOIA（Scent Marking Optimization Immune Algorithm）。该方法利用改进的气味标记算法,在被覆盖区域设置必要的气味标记点,在这些点设置传感器节点能够有效提高对目标区域的覆盖率,减少冗余节点数量;使用免疫算法来避免一般算法容易陷入局部最优的问题。仿真实验表明,该算法能够有效提高网络覆盖率,减少网络中传感器节点数量,延长了网络寿命,并且收敛迅速。