一种基于GA优化模糊推理神经网络的新方法

通过对已有的一些基于遗传算法（GA）优化模糊系统方法的分析，指出了它们存在的一些缺陷，提出了一种新颖的基于GA优化模型推理神经网络的方法，并给出了相应的优化算法，这种方法可以对模糊推理系统中的所有结构和参数同时或分别进行优化。在此基础上，还讨论了模糊推理神经网络的精简问题，如无用模糊规则的删除，最后通过实例验证了该方法是一种很有效的方法，具有易理解，精度高，收敛快，泛化能力好且能全局收敛的优点。     

基于神经网络的城市快速路交通拥堵判别算法

针对城市快速路的常发性拥堵和偶发性交通拥堵,提出了一种基于神经网络的自动判别算法.该方法利用改进的自适应梯度算法优化神经网络的权值参数,既能保证神经网络参数收敛到全局最优值,又具有快的学习速度,提高了神经网络的检测效果.利用微观交通仿真软件PARAMICS建立了城市快速路网,通过多次仿真获得了包含各种交通拥堵的学习样本,增强了算法的鲁棒性.将训练好的神经网络对多种实际的交通数据进行了仿真试验.实验结果表明,该算法在城市快速路交通拥堵判别中具有较高的检测率和较低的误报率.     

权值优化集成卷积神经网络及其在三维模型识别中的应用

三维模型应用广泛,如何有效地管理和分类这些数据库中的三维模型一直是人们 关注的问题。然而,由于不同三维模型之间的相似性难以测量,因而很难获得一种稳健且广泛 适用的三维模型分类算法。为此,提出了一种权值优化集成卷积神经网络(WOTCNN)模型,并 将其应用到三维模型的分类识别中。首先,获取三维模型的深度投影视图来最大限度地保留三维 模型的空间信息。然后,采用调整的 VGG 网络对各角度的深度投影图像进行训练并提取预测概 率值。最后,通过加权集成算法获得完整三维模型的最终分类结果。对 ModelNet10 及 ModelNet40 数据库的实验表明：三维模型的平均分类准确率达到 92.84%和 86.51%。在预测性能方面,该网 络优于普通的单卷积神经网络;在三维模型识别方面,其分类准确率能够得到显著提升。     

改进的遗传算法在优化BP网络权值中的应用

对遗传算法和BP神经网络的特点进行了比较,作为进化算法神经网络与遗传算法的目标相近而方法各异。阐述了遗传算法与神经网络结合的必要性。提出了一种改进的遗传算法优化BP神经网络的权值,用遗传算法的全局随机搜索能力弥补了神经网络容易陷入局部最优解的问题。同时,在遗传算法中改变传统的同代交叉机制,采用父代与子代进行交叉,避免了遗传算法过早丧失进化能力。     

基于混合遗传神经网络的百米跑成绩预测方法

在遗传算法(Genetic ALgorithm)与BP(Back Propagation)网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法,并把这种方法用于运动员百米跑成绩预测。与BP算法和LM(Levenberg Marquardt)算法相比,基于混合遗传算法的神经网络不仅有较快的学习速度和较好的学习精度,而且网络的泛化能力(Generalization Ability)得到了很大提高。     

基于随机隐含层权值神经网络的瓦斯浓度预测

煤矿的安全生产一直是人们重点研究的课题之一。在众多的煤矿开采安全事故中,瓦斯引起的事故占到了大多数。对井下生产线的瓦斯浓度进行实时准确的预测,提前预知生产环境是否处于安全状态,对煤矿的安全生产来说意义重大。针对这一问题,提出了一种基于NSGA-II训练的随机隐含层神经网络(BNSGA-II NN)来进行瓦斯浓度预测的方法。一方面,NSGA-II需要设定的参数少,使用较为简单;另一方面,NSGA-II中的交叉变异机制避免了陷入局部最优解。为了证明NSGA-II训练的随机隐含权值神经网络的预测质量,通过实验与PSOGSA训练的随机隐含层神经网络(PSOGSA NN)进行了对比。实验结果表明,BNSGA-II NN的预测质量明显高于PSOGSA NN的预测质量。     

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...     

基于权值与结构确定法的单极Sigmoid神经网络分类器

构造了以单极Sigmoid函数作为隐层神经元激励函数的神经网络分类器,网络中输入层到隐层的权值和隐层神经元的阈值均为随机生成。同时,结合利用伪逆思想一步计算出隐层和输出层神经元之间连接权值的权值直接确定(WDD)法,进一步提出了具有边增边删和二次删除策略的网络结构自确定法,用来确定神经网络最优权值和结构。数值实验结果表明,该算法能够快速有效地确定单极Sigmoid激励函数神经网络分类器的最优网络结构; 分类器的分类性能良好。     

双向权值调整的前向神经网络学习算法

提出一种新的前向神经网络的学习算法,该算法在正向和反向阶段均可以对不同的层间的权值进行必要的调整,在正向阶段按最小范数二乘解原则确定连接隐层与输出层的权值,反向阶段则按误差梯度下降原则调整通连接输入层与隐层间的权值,具有很快的学习能力和收敛速度,并且能在一定的程度上保证所训练神经网络的泛化能力,实验结果初步验证了新算法的性能。     

基于CSDM-MIMO系统的虚拟信道估计与权值优化

新型的多址接入技术在5G移动通信系统中有着非常重要的作用。提出一种新的非正交的复空间分割多址(CSDM)技术,并将其与传统MIMO系统结合形成CSDM-MIMO系统。CSDM-MIMO系统能在同一时间同一频率一根天线发送多路用户数据,提高了数据传输率和系统容量。分别用最小二乘(LS)算法和最小均方误差(MMSE)算法对系统特殊的虚拟信道进行估计,同时利用接收端反馈的误码率(BER)和人工鱼群算法(AFSA)对系统的最优权值进行搜索。     

基于FFCM聚类的城市交通拥堵判别研究

对城市道路交通拥堵状态判别的问题,提出了一种硬C均值(HCM)聚类与模糊C均值(FCM)聚类相结合的快速模糊C均值聚类(FFCM)算法。用硬聚类的结果对模糊聚类初始值的选取进行指导,以加速算法的收敛过程。将该算法用于城市交通流数据的聚类分析结果表明,该算法能够快速而有效地对城市交通流状况进行判别,为动态交通拥堵预警和交通疏导策略的制定提供依据。     

基于多指标模糊综合评价的交通拥堵预测与评估

针对各交通时段对交通拥堵的不同影响、单因素无法准确表征交通拥堵状态的问题,提出了一种采用多指标模糊综合评价的交通拥堵评价预测方法。该方法利用粒子群算法优化支持向量回归机对道路平均速度和交通流量进行预测,得到三个因素指标平均速度◢v、交通流密度D、道路饱和度S的预◣测值。将三个因素指标输入到多指标模糊综合评价模型中,即首先建立交通拥堵状态的因素集和评价集,通过熵值法确定早高峰、晚高峰、其他时段下三个因素指标的权重系数,再通过梯形隶属度函数确定各指标在各时段的隶属度,最终将交通拥堵状态划分为六个级别。通过对美国PeMS数据库中I405高速路的交通数据进行预测评价实验证明,采用该方法预测的交通拥堵状态基本与实际状态吻合,具有较高的预测精度,正确率可达94.79%。     

Fuzzy neural network based traffic prediction and congestion control in high-speed networks

Congestion control is one of the key problems in high-speed networks,such as ATM.In this paper,a kind of traffic prediction and preventive congestion control scheme is proposed using neural network approach.Traditional predictor using BP neural network has suffered from long convergence time and dissatisfying error.Fuzzy neural network developed in this paper can solve these problems satisfactorily.Simulations show the comparison among no-feedback control scheme,reactive control scheme and neural network based control scheme.     

基于博弈视角的交通信息提供与道路收费联合定价模型

针对信息提供和拥堵收费两种交通管制策略, 研究了两种策略联合作用下的定价机制。首先构建了政府、信息提供商决策空间, 在分析出行者路径选择行为的基础上, 给出了交通信息市场占有率计算模型; 然后提出了弹性条件下具有/不具有交通信息的混合交通网络均衡分配模型, 得到了出行者的决策空间, 在此基础上提出了基于博弈视角的交通信息提供与道路收费联合定价模型, 设计了求解算法; 最后, 以一个算例对模型进行了分析。结论表明, 社会收益水平及交通信息的质量都会对交通信息及道路收费价格产生显著的影响。此外, 模型的算例结果还与经验较为吻合, 表明模型的实用性和合理性。     

CTS: 基于拥堵溯源算法的信号灯多智能体强化学习组织方案

在交通路网的运行中红绿灯起着至关重要的调度作用,随着目前交通的飞速发展,道路越来越复杂、车辆越来越繁多,导致红绿灯的调度压力越来越大、调节能力却越来越弱。为了解决这一问题,建立了CTS（congestion trace source）方案,将交通疏导的主体对象红绿灯作为智能体进行强化学习以优化其对交通的疏导控制能力,通过构建拥堵链和拥堵环综合分析路网拥堵情况,佐以红绿灯相位及其配时数据以达到对红绿灯智能体对象状态的综合判断;CTS方案设计了红绿灯排队长度算法将拥堵情况数字化作为智能体奖励对优化效果进行评判。使用SUMO仿真环境进行实验,设计交通优化指标路口平均排队长度并进行对比,最终该方案的路口平均排队长度相较于原始数据提升了40%。     

基于PF-LSTM网络的高效网络流量预测方法

传统网络流量预测模型存在泛化能力弱和预测准确度低等缺点。为解决此问题,提出一种基于长短期记忆（LSTM）循环神经网络的网络流量预测模型。首先,用距离比较和优化组合策略改进粒子滤波算法（PF）的重采样过程;然后搭建PF-LSTM网络的网络流量预测模型,将改进的PF算法用于模型训练,提高其训练速率,克服传统LSTM网络中收敛于局部最优的缺点;最后将提出的模型用于网络流量预测。实验结果表明,相比传统的LSTM模型,提出的PF-LSTM模型具有较好的预测精度和收敛效率,能够更好地描述网络流量的变化趋势。     

通信网络系统中解决信息拥塞的模糊控制方法

针对网络系统中信息拥塞问题, 提出了一个全新的解决方案——用模糊控制的方法来解决通信网络中信息拥塞问题, 以国内外大量文献的理论为基础, 通过对计算机通信网络信息传输中相关量的分析, 构造出应用于网络信息传输中的模糊控制器, 仿真分析了模糊控制器在多种不同情况下的控制效果, 并与已有的算法进行了比较, 结果表明该模糊控制器具有较好的适应性和较强的鲁棒性.     

增量式贝叶斯分类器在交通拥堵判别中的应用

为有效发现道路交通拥堵状态,提出基于增量式贝叶斯分类器的交通拥堵判别方法.该方法把交通拥堵是否发生看成是特殊的分类问题,选取增量式贝叶斯分类器,根据以往是否发生交通拥堵的检测数据,即分别把在发生交通拥堵和不发生交通拥堵两种情况下的交通参数作为特征参数对其进行训练,然后用得到的分类器对检测到的交通参数进行分类,判别是否发生交通拥堵.微观交通仿真数据表明该方法的可行性和有效性.     

基于SVM的并行网络流量分类方法

针对SVM (support vector machine)算法应用到大规模网络流量分类中存在计算复杂度高、训练速度慢等问题,提出一种基于云计算平台进行并行网络流量分类的SVM方法,以提高对大数据集的分类训练速度.该方法是一种采用云计算平台构建多级SVM和映射规约(MapReduce)模型的方法.它将训练数据集划分为多个子训练数据集,通过对所有子训练数据集进行并行训练,得到支持向量集,进而训练出流量分类模型.实验结果表明,与传统的SVM方法相比,并行SVM网络流量分类方法在保持较高分类精度的前提下,有效地减少了训练时间,提高了大规模网络流量分类的速度.     

对等网络的拥塞研究

对等网络的普遍应用带来了网络拥塞。从对等网络的拓扑属性研究网络拥塞，首先分析真实的Gnutella网络的流量，确定节点介数与网络拥塞之间存在关系。接着根据排队论模型从理论上给出了导致网络拥塞的临界负载与网络拓扑属性介数的公式解。最后设计拥塞控制策略，通过增加具有大介数节点的容量和这些节点间连接的方法来减轻网络拥塞。