基于非线性主成分分析的自适应变步长盲源分离算法

算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。     

一种基于LMS改进算法的语音增强方法

LMS算法在自适应滤波器中得到广泛应用,但这种方法具有收敛速度慢,步长需要谨慎选择才能达到收敛和失调的折中等缺点。文章把一种变步长的LMS算法应用到语音增强中,此算法通过建立步长因子μ与迭代次数n之间的一种函数关系提出一种新的变步长LMS算法,在迭代过程中在开始时采用大步长参数进行迭代,达到稳态后减小步长参数。仿真结果证明该方法对带噪语音有明显的去噪效果,有效地提高了语音的清晰度和可懂度。该算法明显优于传统LMS算法,较之提高了收敛速度并减小了稳态误差。     

改进型萤火虫算法求解CRN频谱分配问题

在认知无线电网络CRN(Cognitive Radio Network)中,寻找频谱分配更优化方案。在基本萤火虫算法基础上,提出改进型萤火虫算法。该算法将固定步长改为自适应可变步长,有效改善搜索精度低和收敛速度慢的问题。并且结合混沌优化,增加萤火虫种群的多样性以及提高全局搜索性。基于频谱分配模型仿真和4个标准函数测试可得,改进后萤火虫算法在收敛速度、求解精度、迭代过程稳定性以及网络总效益等方面均优于基本萤火虫优化算法。     

无线传感网络覆盖的多步长粒子群优化研究

为了改善无线传感网络的网络性能,提高网络的覆盖率,实现网络覆盖范围的最大化,延长网络寿命,在多步长粒子群算法的基础上提出以网络覆盖率为优化目标的覆盖优化策略。该策略针对不同的个体情况改变粒子的最大飞行速度,实现粒子的多步长搜索,有效地解决了粒子群算法容易出现的早熟问题。仿真实验表明,与粒子群算法相比,多步长粒子群算法的有效覆盖率由74.76%提高到82.66%,到达收敛的迭代次数由360次减少到283次,收敛速度提高了21.4%。因此多步长粒子群优化策略比粒子群算法在无线传感网络覆盖优化上具有更好的效果。     

混沌动态步长果蝇优化算法

为了进一步提高标准果蝇优化算法的收敛速度和寻优精度,将混沌优化与迭代步长动态调节策略相结合,提出一种混沌动态步长果蝇优化算法。算法在寻优过程中引入动态步长调节因子对基本果蝇优化算法的步长实现持续动态更新,利用混沌优化方法对混沌变量与优化变量进行映射操作,同时引入混沌扰动使得果蝇个体能够快速跳出局部最优。实验结果表明:该算法在收敛速度和寻优精度上大幅提高。     

基于二阶分布式算法的无线传感网络效用最大化问题研究

高效分布式算法设计是保证无线传感网络性能的关键问题。提出了一种基于信道容量约束的无线传感网络效用最大化问题模型。针对传统一阶算法存在收敛速度慢、步长选择敏感等缺点,文章设计了具有二阶收敛速度的快速分布式牛顿算法。研究和仿真实验表明,该算法在与传统一阶算法交互几乎相同信息的情况下具有二次收敛速度,算法迭代次数和运行时间改进了近两个数量级。     

基于连通度的分布式加权多维尺度节点定位算法

研究了迭代优化方法在无线传感器网络节点定位中的应用,针对多维尺度分析定位技术和传统的梯度迭代优化方法,根据数值实验确定了迭代步长和网络连通度之间的函数关系,提出了一种基于连通度的分布式多维尺度分析节点定位算法(a connectivity-based distributed weighted multidimensional scaling algorithm,简称dwMDS(C)).该算法首先根据网络的平均连通度确定迭代步长,然后对每个未知节点的局部代价函数进行优化求解.实验表明该迭代算法收敛快速且稳定,比基于SMACOF算法的dwMDS(G)算法在定位精度上有明显的提高.     

一种变步长解相关LMS算法

论文提出了一种变步长解相关的LMS算法,解决了传统LMS算法固定步长的缺点,并根据输入信号的相关性原理对迭代更新方向向量进行了改进,提高了迭代速度,并使用MATLAB仿真对提出的新的算法的有效性进行了验证。     

仿射投影算法中的步长控制

依据仿射投影算法均方误差（MSE）的最快收敛速度条件,对算法迭代过程中的步长进行控制,提出了一种新的变步长仿射投影算法（VSSAPA）。该算法使步长随着输出误差的变化而自动调整,从而降低稳态误差。将提出的算法应用于系统辨识,结果表明,与传统仿射投影算法和变步长仿射投影算法相比该算法具有更低的稳态误差和更快的收敛速度。     

一种新的变步长常模盲均衡算法

常模盲均衡算法采用固定步长时存在收敛速度和稳态误差之间的矛盾,解决这一矛盾的有效方法是用变步长代替固定步长.在分析了常模算法误差特性的基础上,建立了步长因子和误差信号之间的一种非线性函数关系,分析了函数中参数对步长因子的控制,较好地满足了常模算法迭代过程对步长因子的要求,得到一种新的变步长常模算法.新算法能够在加快收敛速度的同时减小稳态误差,且具有较强的信道跟踪能力和抗干扰能力.理论分析和计算机仿真证实:新算法性能较好,具有很好的实用性.     

BP算法的改进及其在非线性转子建模中的应用

具有迟滞非线性特性元件（如高弹联轴节）的轴系,由于非线性迟滞恢复力和阻尼力不仅是非线性的,而且还与频率和振幅有关,所以其动力特性异常复杂,一般得不到其振动响应的理论解．因此,可以采用人工智能的方法来获取数值解．1．BP网络学习算法人工神经网络是由大量处理单元组成的非线性大规模自适应动力系统,具有学习能力、记忆能力、自述能力及智能处理功能,并在不同程度上模仿人脑神经系统的信息处理、检索及存储功能．它是在现代神经科学研究成果的基础上提出的,试图通过模拟大脑神经网络处理记忆信息的方式设计一种新的机器,使…     

基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明明：该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。     

改进差分进化法在裂解深度建模中的应用

针对基本差分进化法搜索精度不高,容易陷入局部最优的缺点,提出基于Alopex改进的差分进化法和自适应学习速率的BP神经网络相结合的学习法,首先运用改进的差分进化法来寻找满意的神经网络参数;然后调用自适应学习速率的LM法精调网络参数.某大型裂解炉裂解深度模型的仿真结果表明,所建模型的精度高,有实用价值.     

图样间联想神经网络的稳定性研究

图样间联想神经网络作为新型的联想模型,其联想功能和光学实现较Hopfield等图样内联想网络都更具优越性;但至今缺乏对图样间联想神经网络系统性能的全面完备的认知。文章详细研究了图样间联想网络的动力学稳定性,论证了恒零阈值下网络单步稳定的特性;并根据稳定性分析的直接法引入代表系统矛盾程度的准能量函数考察了网络趋向稳定的方式,结合实验统计指出图样间联想网络一般阈值下是渐近稳定的。据此提出了模型的阈值改进方案,引入了反馈,使网络联想性能在原模型程度上有所提高。     

一种基于量子BP网络的图像压缩方法

针对BP网络在图像压缩应用中迭代次数多及训练时间长的问题,设计具有量子输入和输出的神经元模型,结合BP网络在图像压缩中的原理,利用复数BP算法,构建一种用于图像压缩的3层量子BP网络(QBP),实现图像压缩与图像重建。仿真结果表明,与BP网络相比,QBP网络能获得更好的重建图像质量,且迭代次数较少。     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

基于PCA/SOFM混合神经网络的矢量量化

针对自组织特征映射(SOFM)神经网络应用于矢量量化具有收敛速度慢、计算量大等缺点,本文提出了一种基于PCA/SOFM混合神经网络的矢量量化的算法,先用主元分析(PCA)线性神经网络对输入矢量进行降维处理,再用SOFM神经网络进行矢量量化。通过调整SOFM神经网络的学习函数、邻域权值及初始码书对网络进行优化。实验表明,改进算法缩短了图像压缩的时间,提高了码书的性能。     

基于BP网络与改进的PSO算法的入侵检测研究

本文针对入侵检测系统中的误检率,提出了一种将BP网络和改进的PSO算法相结合的方法。该方法基于BP网络算法的局部精确搜索和改进的PSO算法的全局搜索的特性,并且用改进的PSO算法优化BP网络的权值、阈值,克服BP网络算法易陷入局部极值的弊端。在入侵检测系统中应用该网络结构,能准确地发现已知的攻击行为,并能进一步预测新的攻击行为,减少了入侵事件的漏报和误报。通过KDD99 CUP数据集进行仿真实验,与基于PSO-BP算法、传统的BP算法的入侵检测系统相比较,表明改进的PSO-BP算法的迭代次数较少、收敛速度快、检测率高,有一定的有效性。     

Modified HSS iteration methods for a class of complex symmetric linear systems

In this paper, we introduce and analyze a modification of the Hermitian and skew-Hermitian splitting iteration method for solving a broad class of complex symmetric linear systems. We show that the modified Hermitian and skew-Hermitian splitting (MHSS) iteration method is unconditionally convergent. Each iteration of this method requires the solution of two linear systems with real symmetric positive definite coefficient matrices. These two systems can be solved inexactly. We consider acceleration of the MHSS iteration by Krylov subspace methods. Numerical experiments on a few model problems are used to illustrate the performance of the new method.     

Matlab神经网络工具箱BP算法比较

BP前馈网络,应用的最为广泛的神经网络,目前拥有许多算法。研究了Matlab神经网络工具箱提供的多种BP算法函数各自的优势和不足,以能在各种不同条件面对不同问题时选用更合适更快速的算法。在介绍了这些算法的基本原理的基础上,以一级倒立摆模型为例进行仿真研究。分别选用简单网络和复杂网络,并对学习步长做了改变,对比了各种BP算法在不同情况下的迭代次数和仿真时间,验证了新型BP算法的优势,得出了对简单网络和复杂网络应该如何选用BP算法的结论。