基于神经网络的机动多目标数据关联问题研究

本文通过对联合概率数据关联的性能特征的分析,将其归结为一类约束组合优化问题,在此基础上,利用Hopfield神经网络求解典型的约束组合优化问题(旅行推销员问题)的方法,解决了传统的联合概率数据关联中出现的计算量组合爆炸现象,仿真结果表明,该方法效果良好,在密集多回波环境下,其优越性能更为突出。     

基于改进神经网络的医疗数据关联定位技术

为实现神经网络医疗数据的高精度定位,需要改进神经网络医疗数据定位技术。当前神经网络中不包含位置信息的医疗数据一般是没有意义的,神经网络技术具有功耗低、成本低、时延短、可靠、安全等特点,近年来发展较为快速。当前使用的技术,因为定位精度低、功耗高、容易受外界因素影响等原因导致数据定位结果容易出现较大的偏差,已经无法达到当代医疗数据定位的标准。因此,提出一种基于改进神经网络的医疗数据关联定位技术,通过组建神经网络医疗数据关联模型,分析神经网络医疗数据形成原因,提取医疗数据特征,构建神经网络医疗数据关联定位模型,通过对神经网络医疗数据时频特征进行滑动时间窗口重排,提高神经网络的医疗数据定位的精准度。实验证明,所提方法能够快速地完成医疗数据定位,并且具有较高的精准度。     

进化回归神经网络对时序数据和关联数据的建模能力研究

重点研究进化回归神经网络对时序数据和关联数据的建模能力。针对两个标准问题,采用不同形式的建模数据,比较了前向网络和回归神经网络的建模及预测效果,进一步将进化算法用于不同结构回归神经网络的训练并比较了它们的建模能力。仿真结果表明回归神经网络对时序关联数据有很好的建模和预测能力,相比于前向网络,无需过程时序特点的先验知识,可以采用最简单的建模数据形式。而进化算法相比于常规的梯度下降算法,用于训练不同的回归网络结构通用性好,且训练过程不受局部极小问题的困扰,适当规模的训练过程可以获得性能良好的神经网络模型。     

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络,其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时,特别提出了一种有效改进算法,使得参数在简单选取的情况下保证能量函数的下降,在组合优化问题上具有普遍意义,并且在10城市TSP对改进算法进行验证,指出RNN是解决TSP问题的有效途径。     

面向组合的Web服务间数据关联定位方法研究

Petri网因其在描述和分析并发、分布式系统方面的优势,越来越多地被用于Web服务组合中。在基于Petri网描述的Web服务组合中,如何确定各个子服务参数之间的关联关系,并以此为基础得到Web服务组合的Petri网,是对Web服务组合性质进行分析的前提与基础。首先给出Web服务的Petri网描述和基于Petri网的Web服务注册系统,定义了Web服务参数间的数据关联及定位算法,并通过例子说明数据关联在自动生成Web组合服务Petri网中的应用。     

基于改进关联规则的维修专业组合与优化模型

针对维修过程中各专业忙闲不均和协同工作效率低下等问题,提出了一种基于改进关联规则的维修专业组合和优化方法.首先,以均衡任务量为目标,建立了维修专业关联度分析模型;其次,以功能聚合为目标,提出了以较大概率共同承担任务且任务量偏小的维修专业组合方法;最后,从维修任务和维修专业两方面考虑,建立了组合维修专业的优化模型.通过具体实例分析,证明了该方法的有效性和正确性.     

基于数据服务的数据组合视图的优化更新

数据服务为实现跨域数据集成提供了统一的数据模型,并且可通过组合的方式支持用户定义数据视图,当底层的数据服务发生数据更新时,数据更新需要自下而上经过多个中间复合数据服务传播到顶层的数据视图.一类挑战性问题是,如何在这个传播的过程中保障数据视图的更新效率.为此,文中规范化数据服务的操作及其性质,并且根据用户的组合结果,通过...     

针对大规模数据的随机权值前馈神经网络模型优化

具有随机权值的前馈神经网络(FNNRWs)因其在大规模数据集处理中的潜能而受到广泛的关注。在具有随机权值的前馈神经网络的基础之上,将大规模数据分为大小相同的子集,每个子集派生出相应的子模型。根据激活函数计算出输入权值和偏置的最优取值范围,输入权值和偏置在该范围中随机产生,采用迭代的方式来评估输出权值。在UCI标准数据集上的实验结果表明,该算法对处理大规模数据集具有很好的应用效果。     

基于数据预处理灰色神经网络组合和集成预测

当研究的系统扰动因素过大或系统行为在某个时川点发生突变，出现严重扰动系统的异常数据时，提出不应直接按原始数据建模预测，而应根椐实际情况适当地对数据预处理．提出了基于数据修正的改进型灰色神经网络组合和集成预测，并根据南昌火车站旅客发送量时间序列建立了多个模型，从模型预测效果对比中说明数据修正、改进型灰色模型和改进型灰色神经网络、灰色神经网络组合和集成确实能提高预测精度．另外，修正数据要把握一个度，不能修正全部数据，只能修正较异常的数据，要在数据的趋势性和预测的灵敏性间取得平衡。     

基于卷积神经网络的Leap Motion运动数据优化网络

为提高Leap Motion设备的采集精准度,解决自遮挡、采样频率不稳定等设备固有问题,首先,设计了使用Leap Motion和动作捕捉设备的手部多模态同步运动采集方案,采集了日常动作数据集;其次,提出了基于卷积神经网络(convolutional neural network,CNN)的Leap Motion手部运动...     

VC++环境下的BP神经网络建模和模拟退火优化研究

文章简要介绍了BP神经网络和模拟退火算法的原理,提出了一种基于VC 环境的BP神经网络建模与模拟退火优化方法,通过模拟退火对BP网络的输入参数进行优化,实现算法接口并进行了软件设计.采用一个焊接算例进行验证,证明了该BP神经网络逼近能力强、收敛速度快,模拟退火能寻找到最优焊接参数,该软件平台具有一定的实用性.     

基于模拟退火优化BP神经网络的变形监测数据预测方法

针对BP神经网络模型用于变形监测数据处理时容易陷入局部极小值并且收敛速度慢的问题,提出一种基于模拟退火(Simulated Annealing,SA)算法优化BP神经网络的建筑物变形预测方法,利用SA的全局寻优能力对BP神经网络的模型参数进行优化,使参数迭代过程始终保持较高的"温度"和"能量",从而确保BP神经网络能够得到全局最优解的同时具备较高的预测精度和收敛速度。采用实际算例对所提SA-BP方法在低信噪比和小样本条件下的预测精度进行验证,结果表明所提方法相对于传统BP神经网络法和小波方法能够获得更高的预测精度,并且在小样本和低信噪比条件下优势更加明显。     

基于KOHONEN神经网络的模拟退火算法

本文提出了一种基于分布式知识的广义优化方法----基于KOHONEN神经网络的模拟退火算法。采用人工神经网络积累搜索区域信息,利用其学习的分布式寻优知识指导搜索过程的优化。研究了各种优化策略,给出了算法流程和结构框图。典型算例的仿真研究结果显示了新算法在寻优性能上的优越性。     

多传感器广义概率数据关联算法研究

随着跟踪环境、跟踪对象的不断变化与发展,目标与量测已经很难用一一对应的关系去描述;广义数据关联算法（GPDA）提出目标与量测多多对应的可行性规则,其性能在目标与量测无论是否在一一对应的情况下,均优于传统的JPDA算法,并且计算量、存储量均远小于JPDA;考虑到GPDA的上述优点,将GPDA算法拓展到多传感器数据关联,提出了多传感器广义概率数据关联算法（MSGPDA）来处理多传感器数据关联问题;仿真表明,MSGPDA算法由于利用多传感器信息,性能得到明显提高。     

一种基于退火策略的混沌神经网络优化算法

Ｈｏｐｆｉｅｌｄ网络（ＨＮＮ）中引入混沌机制,首先在混沌动态下粗搜索,并利用退火策略控制混沌动态退出和逆分贫出现,进而ＨＮＮ梯度优化搜索,提出了一种具有随机性和确定性并存的优化算法,对经典旅行商（ＴＳＰ）的研究,表明算法具有很强的克服陷入局部极小能力,较大程度提高了优化、时间和对初值的鲁棒性能,同时给出了模型参数对性能影响的一些结论。     

基于SA-PSO的小波神经网络汽轮机故障诊断

针对传统小波神经网络的问题,提出了一种基于模拟退火粒子群算法优化小波神经网络并用于汽轮机故障诊断.先使用模拟退火粒子群算法对小波神经网络的参数进行初步优化,再用小波神经网络进行二次优化训练.实验结果表明,所提出的SA-PSO-WNN算法与WNN、PSO-WNN算法相比,网络的训练速度更快,全局搜索能力更强,网络的泛化能力更好,具有很好的实用价值.     

基于遗传模拟退火算法优化的BP神经网络

在研究标准BP神经网络的基础上,针对其存在的收敛速度慢、且容易陷入局部极小值等问题进行分析,设计实现一种采用数值优化的方法来改进BP网络性能的新的混合神经网络模型.通过引入遗传模拟退火算法扩大了网络的权值更新空间,把得到最优权值赋予BP神经网络,从而使优化后的神经网络具有泛化性好,不易陷入局部极小值等优点.与标准BP神...     

基于区间优化的神经网络全局优化方法

Hopfield神经网络被广泛应用于优化问题的求解中,而传统的Hopfield网络通常基于梯度下降法,此方法容易陷入局部极小而得到次最优解或收敛到问题的不可行解。另外,当用于训练网络样本的输入/输出数据无法精确给出,而只能以一定的范围的形式给出时,传统的神经网络学习方法就无能为力了。论文提出了一种基于区间优化的神经网络学习算法,可以很好地解决上面所提到的传统神经网络学习算法的缺点。     

一种混沌混合粒子群优化RBF神经网络算法

为了更精确地检测出混沌背景下的微弱目标信号,提高预测效果,文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络,利用群体自适应变异以及个体退火操作优化混沌粒子群,有效地提高了粒子群算法的全局收敛性,优化了RBF神经网络的结构和参数。把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号,实验结果表明本算法有良好的非线性预测能力,可以有效地检测出混沌背景下的微弱目标信号。