Madaline网络学习算法改进

根据Madaline网络工作原理,针对其网络特点和现有算法中存在的缺点,提出将MRⅡ算法与感知机学习规则相结合的改进的学习算法,使每个样本学习后权值的改动尽量小,从而减少它对其它样本学习产生的影响,达到提高网络学习能力的目的。     

Madaline网络学习算法改进

根据Madaline网络工作原理，针对其网络特点和现有算法中存在的缺点，提出将MRⅡ算法与感知机学习规则相结合的改进的学习算法，使每个样本学习后权值的改动尽量小，从而减少它对其它样本学习产生的影响，达到提高网络学习能力的目的。     

基于矩阵运算的公交查询高效算法

目前绝大多数公交查询算法是基于最短路径查找算法的改进,但最短路径算法本质上不适合公交线路的查询。定义一种新型的直达矩阵,并提出两种新的矩阵运算。在此基础上,建立起了一种基于矩阵运算的高效公交查询算法。对算法进行分析后,引入了一些重要的改进。最后在计算机中把提出的算法应用到实际数据,取得了理想的效果。     

矩阵运算环境的二次开发

本文提出了矩阵运算环境的二次开发的必要性。讨论了全屏幕显示的矩阵编辑器的具体实现方案,以及在矩阵运算环境中引进数据压缩技术和图形显示输出技术的设想并给出它们的实现算法。     

矩阵运算的面向对象实现

矩阵数据及矩阵运算在科学计算中出现频度很高,但目前最常使用的C++语言,因不具备二维数组的动态分配能力,致使其在矩阵数据的定义、参数传递、访问安全控制及矩阵运算方面存在一定的不便。如果采用C++的面向对象思想,利用其“类”数据类型,定义一“矩阵类”,将矩阵数据及矩阵运算封装起来,问题则迎刃而解。     

基于PCR的Madaline网络算法及其在分解严重重叠光谱峰中的应用

当分解重叠严重的光谱时 ,经典的Madaline网络算法需很长的训练时间 ,而且误差较大 ,引进PCR技术则不仅能减少训练时间并且能够提高精度。     

并行优化矩阵运算的探索

本文着重引入向量循环乘和矩连的斜向量两个新概念,然后在此概念上改进几种矩阵运算方法,以获得更大的并行性。     

基于PCR的Madaline网络算法及其在分解严 重重叠光谱峰中的应用

当分解重叠严重的光谱时，经典的Madaline网络算法需很长的训练时间,而且误差较大，引进PCR技术则不仅能减少训练时间并且能够提高精度。     

基于PCR的Madaline网络算法及其在分解严重重叠光谱峰中的 …

当分解重叠严重的光谱时，经典的Ｍａｄａｌｉｎｅ网络算法需很长的训练时间，而且误差较大，引进ＰＣＲ技术则不仅能减少训练时间并且能够提高精度。     

间歇生产过程的R调节学习控制

针对间歇生产过程迭代学习控制难以进行跟踪性能分析的难题,本文提出一种变R调节迭代学习控制算法,借鉴经典控制理论定义有界跟踪和零跟踪概念.以此研究能够让系统输出误差达到零跟踪的迭代学习控制策略,并严格地证明了算法的性能,得出可以通过调节权值R使过程产品质量的误差收敛到与模型精度相关联的有界区域的结论,为相关理论结果实施于实际间歇过程提供了理论依据.     

一种带参考批次的线性时变系统迭代学习控制算法

针对线性时变系统的轨迹跟踪控制问题,提出一种带参考批次的迭代学习控制算法,并给出了算法的收敛性分析.该迭代学习控制算法不需要事先了解线性时变对象的太多知识,而是将当前批次输入轨迹的较小变化所引起的输出轨迹作为参考批次,并以当前批次与参考批次的输入变化与对应的输出变化之比作为学习律,从而实现目标轨迹的跟踪.以一个典型的线性时变系统为例进行仿真分析,验证了所提出算法的有效性.     

面向上下文感知计算的贝叶斯网络结构自学习算法的研究

通过对上下文感知计算中上下文特点的详细分析,提出一种面向上下文感知计算的通用贝叶斯网络结构自学习方法。该方法能在足够实例数据的支撑下自动对上下文感知计算中上下文之间的关系进行学习,进而形成贝叶斯网络结构,用于从低层上下文向高层上下文的演化。通过对上下文感知计算中上下文的层次化特点的有效利用,该方法对贝叶斯网络自学习方法进行了有效优化。研究分析表明,该方法能显著降低贝叶斯网络学习过程中的时间复杂度。     

基于深层长短期记忆网络与批规范化的间歇过程故障检测方法

传统的基于数据驱动的间歇过程故障诊断方法往往需要对过程数据的分布进行假设，而且对非线性等复杂数据的监控往往会出现误报和漏报，为此提出一种基于长短期记忆网络（LSTM）与批规范化（BN）结合的监督学习方法，不需要对原始数据的分布进行假设。首先，对间歇过程原始数据运用一种按变量展开并连续采样的预处理方式，使处理后的数据可以向LSTM单元输入；然后，利用改进的深层LSTM网络进行特征学习，该网络通过添加BN层，结合交叉熵损失的表示方法，可以有效提取间歇过程数据的特征并进行快速学习；最后，在一类半导体蚀刻过程上进行仿真实验。实验结果表明，所提方法比多元线性主成分分析（MPCA）方法故障识别的种类更多，可以有效地识别各类故障，对故障的整体检测率达到95%以上；比传统单层LSTM模型建模速度更快，且对故障的整体检测率提高了8个百分点以上，比较适合处理间歇过程中具有非线性、多工况等特征的故障检测问题。     

基于节点相似性的图注意力网络表示学习模型

图注意力网络(GAT)通过注意力机制聚合节点的邻居信息以提取节点的结构特征,然而并没有考虑网络中潜在的节点相似性特征。针对以上问题,提出了一种考虑网络中相似节点的网络表示学习方法NSGAN。首先,在节点层面上,通过图注意力机制分别学习相似网络和原始网络的结构特征;其次,在图层面上,将两个网络对应的节点嵌入通过基于图层面的注意力机制聚合在一起,生成节点最终的嵌入表示。在三个数据集上进行节点分类实验,NSGAN比传统的图注意力网络方法的准确率提高了约2%。     

Data-based iterative learning control for multiphase batch processes

In order to cope with the problem of the robustness conditions dependence on system parameters information, this paper investigates a data-based iteration learning control (ILC) for multiphase batch processes with different dimensions and system uncertainty. Firstly, by minimizing the residual between the actual subsystem output and the approximated subsystem output, a gradient-type approximation law is designed to approximate the system lower triangular parameters matrix and initial state. Secondly, by minimizing the approximated tracking error between the desired trajectory and the approximated output, a data-based ILC is constructed in an interactive mode with the approximation law. Finally, the boundedness of the approximation error of the real system parameters from the approximated parameters is derived by means of vector norm theory, while the unconditional robustness of the proposed data-based ILC is proved. Simulation results illustrate the effectiveness and practicability of the proposed data-based ILC.     

一种间歇过程的综合预测迭代学习控制方法

为了提高迭代学习控制方法在间歇过程轨迹跟踪问题中的收敛速度,本文将批次间的比例型迭代学习控制与批次内的模型预测控制相结合,提出了一种综合应用方法.首先根据间歇过程的线性模型,预测出比例型迭代学习控制的系统输出,然后在批次内采用模型预测控制,通过极小化一个二次型目标函数来获得控制增量.该方法可使系统输出跟踪期望轨迹的速度比比例型迭代学习控制方法更快些.最后通过仿真实例验证了该方法的有效性.     

基于特征和结构信息增强的图神经网络集成学习框架

近年来,图神经网络由于其丰富的表征和推理能力受到广泛的关注,然而,目前的研究聚焦于卷积策略和网络结构的调整以获得更高的性能,不可避免地面临单一模型局限性的约束。受到集成学习思想的启发,面向图神经网络创新性地提出一套集成学习框架(EL-GNN)。不同于常规的文本和图像数据,图数据除了特征信息外还包括了丰富的拓扑结构信息。因此,EL-GNN不仅将不同基分类器的预测结果进行融合,还在集成阶段额外补充了结构信息。此外,基于特征相似或结构邻居节点通常具有相似标签的先验假设,借助特征图重构,进一步优化集成策略,充分平衡了节点的特征和结构信息。大量实验表明,提出的集成策略取得了良好的成效,并EL-GNN在节点分类任务上显著优于现有模型。