Flash中数据失效与页损坏解决算法

本文根据Flash存储器的特性提出了一种可以提高数据存储有效性,算法复杂度比较低,对存储空间要求比较小,比较适用于控制系统的算法.用概率统计的方法,对该算法进行了讨论,从理论上证明该算法的可行性.最后使用MATLAB对该算法进行仿真.该算法在实际控制系统中得到了验证.     

一种基于双重Counter Bloom Filter 的长流识别算法

提出了一种基于双层Counter Bloom Filter的长流识别算法(algorithm based on double counter bloom filter for long flows identification,简称CCBF).该算法使用两层Counter Bloom Filter结构,将长流过滤和长流存在分开处理.分析了该算法的误判率,通过模拟数据分析了算法错误率和内存资源限制的关系,并在相同内存资源限制的条件下,将该算法与类似算法的准确性进行了比较.结果表明,在数据量较大的情况下,该算法具有比现有算法更小的平均错误率;对算法的时间效率分析表明,该算法可以达到1 500kpps的处理速度.各项指标反映出,该算法可以应用于大规模主干网的长流监测.     

基于混合行为蚁群算法的研究

为在加快算法收敛速度的同时又能避免停滞现象,提出一种基于混合行为的蚁群算法.首先就蚂蚁行为对算法性能的影响进行了分析,在此基础上提出了该算法的模型;然后定义了蚂蚁行为,并为该算法设计了4种具体的蚂蚁行为,根据模型实现了该算法.实验结果表明,该算法在性能上远优于蚂蚁系统.     

基于加速度反馈的自适应积分控制微粒群算法

积分控制微粒群算法是一种新型的基于控制器的微粒群算法,该算法通过引入积分控制器,得到了带有加速度的进化方程.本文通过对该算法的稳定性分析,得到了算法收敛的充要条件,并通过实验,建立了一个新的判断算法性能指标的统计量-平均加速度信息,利用该统计量,提出了一种基于加速度反馈的自适应积分控制微粒群算法.仿真实例证明了该算法能有效的提高算法效率.     

基于关联规则的Apriori算法的可视化实现方法

关联规则的提取是数据挖掘中的重要研究内容,对关联规则提取中的Apriori算法进行了分析与研究,针对该算法的运算效率不高,对该算法进行了优化.该算法以经典的Apriori算法为基础,改进后的算法在运算速度明显好于Apriori算法.同时,还介绍了一种基于Apriori算法的可视化挖掘模型[1],并讨论了该可视化模型的实现方法.     

基于三次B样条的曲线逼近算法及其收敛性

为了改进传统的插值样条曲线算法不易于后期处理和实时局部修改、B样条算法不能满足精度要求的缺点,提出了一种基于三次B样条的曲线逼近算法[1].该算法以三次B样条为基础对曲线的逼近领域进行了研究,通过大量的数值实验证明了该算法的可行性及高效性.该算法通过结合插值样条与B样条的各种优点,有效避免了传统算法的不足.同时,对该算法的收敛性进行了理论证明.数值实验表明了该算法具有收敛速度快、精度高且编程易实现等优点,为曲线研究提供了可供参考的有效算法.     

一种基于多项式变换的快速卷积算法

文章通过分析一维卷积转换到二维后的快速卷积算法,并受基-2时分FFT算法的启发,提出了一维卷积转换为多维后的快速卷积算法.文中给出了该算法的推理过程,分析了该算法的运算量.结论表明,该算法能有效的降低卷积中的数乘次数.     

一种基于双重Counter Bloom Filter 的长流识别算法

提出了一种基于双层Counter Bloom Filter 的长流识别算法(algorithm based on double counter bloom filter for long flows identification,简称CCBF).该算法使用两层Counter Bloom Filter 结构,将长流过滤和长流存在分开处 理.分析了该算法的误判率,通过模拟数据分析了算法错误率和内存资源限制的关系,并在相同内存资源限制的条件 下,将该算法与类似算法的准确性进行了比较.结果表明,在数据量较大的情况下,该算法具有比现有算法更小的平 均错误率;对算法的时间效率分析表明,该算法可以达到1 500kpps 的处理速度.各项指标反映出,该算法可以应用于 大规模主干网的长流监测.     

一种适应于通信协议自稳定性的恢复算法

主要提出了一种适应于通信协议自稳定性的恢复算法 .先论述了适用于该算法的有关概念及形式描述方法 ;接着描述了该恢复算法 ,并给出了该算法的正确性证明及复杂性分析 ;最后通过一个多进程通信协议的实例研究 ,验证了该算法的正确性和有效性 .     

遗传算法在模糊设计中的应用

构造了CAD系统模糊设计的一种具体解决方案: 其环境为收集到的现场数据; 学习环节采用基于遗传算法的模糊优化算法; 知识库由设计准则构成; 执行部件为设计单元. 建立了回归方程的模糊优化学习算法, 并构造了该算法的流程. 然后利用该模糊设计系统获得了飞边尺寸设计准则, 且应用实例对该算法的稳定性进行了校验. 为评估该算法的性能, 将其与最小二乘法和免疫遗传算法进行了比较, 结果表明, 该算法速度快, 精度高, 稳定性好.     

Structural synthesis of fast two-layer neural networks

Methods of construction of structural models of fast two-layer neural networks are considered. The methods are based on the criteria of minimum computing operations and maximum degrees of freedom. Optimal structural models of two-layer neural networks are constructed. Illustrative examples are given. Translated from Kibernetika i Sistemnyi Analiz, No. 4, pp. 47–56, July–August, 2000.     

基于多层卷积神经网络特征和双向长短时记忆单元的行为识别

鲁棒的视频行为识别由于其复杂性成为了一项极具挑战的任务. 如何有效提取鲁棒的时空特征成为解决问题的关键. 在本文中, 提出使用双向长短时记忆单元(Bi--LSTM)作为主要框架去捕获视频序列的双向时空特征. 首先, 为了增强特征表达, 使用多层的卷积神经网络特征代替传统的手工特征. 多层卷积特征融合了低层形状信息和高层语义信息, 能够捕获丰富的空间信息. 然后, 将提取到的卷积特征输入Bi--LSTM, Bi--LSTM包含两个不同方向的LSTM层. 前向层从前向后捕获视频演变, 后向层反方向建模视频演变. 最后两个方向的演变表达融合到Softmax中, 得到最后的分类结果. 在UCF101和HMDB51数据集上的实验结果显示本文的方法在行为识别上可以取得较好的性能.     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

模糊系统和神经网络的特征与比较

概述了模糊、神经网络 和人工智能技术之间的关系，尤其探讨了模糊系统和神经网络的特性；指出了模糊系统和神经网络的结合方式，分析了它们的特征。     

A variational approach to intensity approximation for remote sensing images using dynamic neural networks

Abstract: In remote sensing image processing, image approximation, or obtaining a high‐resolution image from a corresponding low‐resolution image, is an ill‐posed inverse problem. In this paper, the regularization method is used to convert the image approximation problem into a solvable variational problem. In regularization, the constraints on smoothness and discontinuity are considered, and the original ill‐posed problem is thereby converted to a well‐posed optimization problem. In order to solve the variational problem, a Hopfield‐type dynamic neural network is developed. This neural network possesses two states that describe the discrepancy between a pixel and adjacent pixels, the intensity evolution of a pixel and two kinds of corresponding weights. Based on the experiment in this study with a Landsat TM image free of added noise and a noisy image, the proposed approach provides better results than other methods. The comparison shows the feasibility of the proposed approach.     

A learning automata-based algorithm for determination of the number of hidden units for three-layer neural networks

There is no method to determine the optimal topology for multi-layer neural networks for a given problem. Usually the designer selects a topology for the network and then trains it. Since determination of the optimal topology of neural networks belongs to class of NP-hard problems, most of the existing algorithms for determination of the topology are approximate. These algorithms could be classified into four main groups: pruning algorithms, constructive algorithms, hybrid algorithms and evolutionary algorithms. These algorithms can produce near optimal solutions. Most of these algorithms use hill-climbing method and may be stuck at local minima. In this article, we first introduce a learning automaton and study its behaviour and then present an algorithm based on the proposed learning automaton, called survival algorithm, for determination of the number of hidden units of three layers neural networks. The survival algorithm uses learning automata as a global search method to increase the probability of obtaining the optimal topology. The algorithm considers the problem of optimization of the topology of neural networks as object partitioning rather than searching or parameter optimization as in existing algorithms. In survival algorithm, the training begins with a large network, and then by adding and deleting hidden units, a near optimal topology will be obtained. The algorithm has been tested on a number of problems and shown through simulations that networks generated are near optimal.     

基于联合卷积和递归神经网络的交通标志识别

提出了一种联合卷积和递归神经网络的深层网络结构,在卷积神经网络中引入了递归神经网络能学到的组合特征:原始图片先通过一级由k均值聚类学得滤波器的卷积神经网络,得到的结果再同时通过一级卷积和一级递归神经网络,最后得到的特征向量由Softmax分类器进行分类。实验结果表明:在第二级卷积和递归神经网络权重随机的情况下,该网络的识别率已经能够达到98.28%,跟其他网络结构相比,大大减少了训练时间,而且无需复杂的工程技巧。     

基于统计分析的分阶段进化神经网络方法

基于统计分析和分阶段进化，提出一种新的进化神经网络设计方法．本文方法 的进化过程分三个阶段：第一阶段，首先按训练样本统计特性设计较小规模的神经网络；第 二阶段，引入所有训练样本，在第一阶段的基础上，逐步扩展网络结构，新添加的神经元总 是单独训练并以抵消原网络的输出误差为其训练目标，直至训练网络达到误差要求．第三阶 段，利用统计方法，将网络中非线性变换作用相似的神经元合并，简化网络结构．本文方法 一方面减轻了进化算法的压力,另一方面指出了网络进化的方向使得进化网络的学习过程不 再是黑箱问题．计算机仿真实验表明，该方法是有效的．     

基于遗传算法学习的复合神经网络自适应温度控制系统

针对一类温度控制系统中存在的非线性和参数不确定等问题,提出一种复合神经网络自适应控制结构.在控制系统中构造了神经网络正模型来再现被控对象的动态特性,用神经网络控制器实现优化控制律的非线性映射.文中选用了被控对象80组历史数据作为样本集,并利用遗传算法的全局搜索能力及高效率来训练多层前向神经网络的权系数.最后用升降温工艺曲线作为输入对温度控制系统进行仿真.仿真结果表明,应用遗传算法能够提高神经网络的学习效率.保证神经网络全局快速收敛,从而克服了传统的误差反传学习算法的一些缺点.证明了采用这种神经网络自适应控制结构.使神经网络控制器的输出可以适应对象参数和环境的变化.使温度控制系统具有很好的学习和自适应控制能力,取得了良好的控制效果.     

一种求解TSP问题的新型人工神经网络方法

该文基于输出一阈值耦合神经网络的自动波现象，提出了一种用自动波方法求解TSP问题的方法。该方法具有鲁棒性和可靠性好、大规模并行计算等特点，可用于求解对称、非对称赋权图的TSP问题。与目前其它求解TSP问题的方法相比，自动波方法执行更为简单，不需要太多人为的选择参数等问题，且不存在局部极小点的问题，求得的解全部是最优解。其所需的计算量(迭代次数)主要取决于最短回路的长度，而与图的复杂程度、所存在的通路总数关系不大。最后文中给出了TSP求解的例子。