一种基于差分进化的BP神经网络学习算法

提出了一种基于改进差分进化算法和BP神经网络的计算机网络流量预测方法。利用差分进化算法的全局寻优能力,快速地得到BP神经网络的权值和阈值;然后利用BP神经网络的非线性拟合能力获得高精度的网络流量预测结果。实验结果表明,此方法能在较短的时间内获得较高精度的预测结果,具有较好的应用价值。     

基于贝叶斯网络工具箱的贝叶斯学习和推理

采用MATLAB语言编制的贝叶斯网络工具箱(Bayesian Networks Toolbox,BNT)可实现贝叶斯网络结构学习、参数学习、推理和构建贝叶斯分类器,此工具箱在贝叶斯学习编程方面非常灵活.介绍了用贝叶斯网络工具箱解决贝叶斯学习和推理问题,并给出了两个实例.     

贝叶斯网络结构学习研究

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题,提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进.改进包括:使用依赖关系分析,利用统计学的方法对采样空间进行大幅缩减,能够在精确控制准确度的情况下大幅提高时间效率;结合先验知识,从理论角度将先验知识融入评分中得到完全服从后验分布的结果;搜索最优子结构,对于特定的一些结构搜索最优子结构而不是采用贪心的方法,提高了贝叶斯网络结构学习的准确率.通过理论分析可以证明时间复杂度得到了大幅的降低.并且可以在牺牲可预知的准确率的情况下,将指数时间复杂度降为线性时间.大量的数据实验表明,经改进后的方法在时间和准确性上都具有良好的表现.     

差异进化算法初始化的小波神经网络盲均衡

利用小波神经网络实现盲均衡最大的难题之一就是网络参数的初始化问题,文中提出了一种采用差异进化算法进行网络参数初始化方法.结合常数模盲均衡算法设置适应度函数,并将尺度因子和平移因子以及网络连接权值进行实数编码,以接收数据对网络进行优化设计,获得一组渐近最优的网络初始化参数,在此基础上以传统梯度下降算法对信号进行均衡接收.计算机仿真证明基于差异进化算法初始化的小波神经网络盲均衡有效提高了均衡性能.     

基于BD度量的简单贝叶斯优化学习算法

贝叶斯优化算法是利用贝叶斯网络匹配进化种群的优良解集而产生新的染色体来体现种群的进化.在贝叶斯网络对种群进行匹配的过程中,贝叶斯网络结构越复杂,种群的进化信息描述越完整,进化质量越高,但运算速度相对来说越慢;相反,贝叶斯网络越简单,算法描述的种群的进化信息越少,进化质量越差,但却能够提高算法的运算速度.基于此,给出了简单贝叶斯优化与复杂贝叶斯优化定义.针对简单贝叶斯网络提出了基于BD度量的三步结构学习算法,并给出了一个利用这种算法进行贝叶斯网络结构学习的例子.     

基于贝叶斯算法的XG-EPON业务感知机制

提出了一种基于贝叶斯算法的XG-PON业务感知机制,该机制采用贝叶斯算法对业务进行分类,以实现高效的业务感知。在此基础上通过OLT与ONU的交互,优化XG-PON的资源分配。对基于贝叶斯算法的XG-PON业务感知机制进行仿真,仿真结果表明该机制能有效降低丢包率并缩短时延,提高了系统对多业务的支持能力。     

基于个性化自适应学习的网络教学探析

个性化自适应学习与网络教学的融合,可以在保障学习行为自由性、独立性的同时,实现更匹配学习者个性化特征的学习辅助,充分优化教学行为的实效性.基于此,文章以个性化自适应学习作为语境,制定了计算机专业网络教学的高效机制:搜集信息确认学生优缺点,制定个性化学习指导机制;应用状态监测和大数据分析技术,推介针对性学习计划;设置独立...     

Nonparametric Bayesian dictionary learning algorithm based on structural similarity

Though nonparametric Bayesian methods possesses significant superiority with respect to traditional comprehensive dictionary learning methods,there is room for improvement of this method as it needs more consideration over the structural similarity and variability of images.To solve this problem,a nonparametric Bayesian dictionary learning algorithm based on structural similarity was proposed.The algorithm improved the structural representing ability of dictionaries by clustering images according to their non-local structural similarity and introducing block structure into sparse representing of images.Denoising and compressed sensing experiments showed that the proposed algorithm performs better than several current popular unsupervised dictionary learning algorithms.     

基于变结构离散动态贝叶斯IP网络拥塞链路推理

针对CLINK算法在路由改变时拥塞链路推理性能下降的问题,建立一种变结构离散动态贝叶斯网模型,通过引入马尔可夫性及时齐性假设简化该模型,并基于简化模型提出一种IP网络拥塞链路推理算法（VSDDB）。利用逐次超松弛迭代算法求解链路拥塞先验概率唯一解,基于贝叶斯最大后验准则,借助加权启发式贪心搜索算法推理拥塞链路集合。实验验证了VSDDB算法具有更好的推理性能。     

基于自适应差分进化算法的拉曼放大器设计

为满足下一代6G网络对光通信网络提出的传输容量大、速率高及传输时延低的要求,本文将碲酸盐光纤作为光纤增益介质,并利用自适应差分进化(adaptive differential evolution,ADE)算法 对拉曼光纤放大器(Raman fiber amplifier,RFA) 的泵浦参数进行优化。该算法通过引入自适应算子控制变异率的大小,在保持个体多样性的同时增强全局搜 索最优解的能力。最终设计出一款覆盖100 nm带宽范围、平均增益为28.27 dB、增益平坦度为 0.65 dB的多泵浦RFA。同时,在该模型基础上分别研究了泵浦功率和光纤长度对拉曼放大器增益及增益平坦度的影响,为设计和优化多泵浦拉曼放大器模型提供了参考。     

基于贝叶斯网络的攻击事件智能发掘模型

针对目前传统入侵检测系统难以得出网络攻击行为之间存在的关联关系问题,以攻击图表示模型为指引,提出一种基于贝叶斯网络的攻击事件智能发掘模型。本文以先验知识建立贝叶斯攻击行为关联图。基于属性相似度聚合网络攻击行为,针对网络攻击场景设计高效的ExApriori算法发掘攻击行为间的关联规则,并建立攻击行为组集。利用贝叶斯攻击行为关联图的参数对攻击行为组集进行计算,实现对攻击事件的发掘。实验表明,本模型能有效提取网络攻击事件及发现攻击路径,为网络攻击事件的发现与应对措施提供理论支持和技术支撑。     

基于进化计算的二元序列优化算法研究

具有良好非周期自相关特性二元序列在通信同步、雷达等领域具有广泛的应用。通过对遗传算法、粒子群算法与量子粒子群算法三种进化算法进行对比分析,设计了具有良好非周期自相关特性的二元序列的搜索算法。研究结果表明,粒子群算法的搜索能力优于遗传算法,而量子粒子群算法具有参数少,易于控制的优点,取得了较好的优化结果。     

基于改进差分进化算法的机载激光雷达波形分解

全波形机载激光雷达数据记录了完整的回波波形,包含了目标的立面细节和后向散射系数等信息,但是这些信息无法在未经处理的情况下直接获取,波形分解是处理波形数据以提取有效信息的重要方法.针对波形分解中常用的参数优化算法对初值敏感,易陷于局部最优的缺点,提出一种基于改进差分(Modified Differential Evolu...     

应用粒子群优化的绿色虚拟网络映射算法

绿色网络是近年来网络技术研究的热点,以节能为优化目标的虚拟网络映射算法成为基于网络虚拟化技术中资源分配研究的重点.提出了应用粒子群优化的绿色虚拟网络映射算法,重定义粒子群优化算法中的参数和粒子进化行为,以关闭底层网络节点和链路数量最多为适应度函数,在较低的算法复杂度条件下,获得绿色虚拟网络映射的最优解.仿真结果表明,与对比算法相比,静态环境下所提算法的运行时间大幅度降低;动态环境下所提算法的节点关闭率、链路关闭率、虚拟网络请求接受率均有所提升,算法运行时间也大大缩短.     

改进贝叶斯聚焦的宽带自适应单脉冲算法

对于宽带数字阵列雷达,传统的数字波束形成算法需要预知精确的期望及干扰信号角度,微小的角度估计偏差往往会带来波束性能的急剧下降.针对这个问题,提出了一种基于改进贝叶斯聚焦的宽带自适应波束形成算法.该算法假设期望信号方向满足高斯分布,干扰信号方向满足均匀分布,在此基础上计算宽带聚焦矩阵和数字阵列自适应权重.还分析了原贝叶斯聚焦不能用于差波束的原因,介绍了如何将所提改进方法用于自适应单脉冲系统进行高精度测角.仿真实验证明了该算法的正确性和有效性.     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

一种基于差异演化的特征子集选择算法

特征子集选择问题一直是人工智能领域研究的重要内容。特征子集选择算法研究是机器学习和数据挖掘等领域的研究热点。提出了基于差异演化算法的特征子集选择算法,实验证明该算法是简单、正确、有效的,并具有良好的收敛性和稳定性。     

贝叶斯网络推理算法在故障诊断中的应用

故障诊断过程中,存在这样或那样的不确定性因素。而贝叶斯网络是不确定知识表达和推理领域最有效的理论模型之一,所以以贝叶斯网络理论为基础进行故障诊断,可以有效地对不确定性知识进行表达,增加故障诊断结果的合理性与准确率。     

Off-grid DOA estimation algorithm based on unitary transform and sparse Bayesian learning

A rapid off-grid DOA estimating method of RV-OGSBL was raised based on unitary transformation,against the problem of traditional sparse Bayesian learning (SBL) algorithm in solving effectiveness of signal’s DOA estimation under condition of lower signal noise ratio (SNR).Actual received signal of uniform linear array was generated through constructing augment matrix as the processing signal used by DOA estimation.Then,estimation model was transformed from complex value to real value by using unitary transformation.In the next step,off-grid model and sparse Bayesian learning algorithm were combined together to process the realization of DOA estimation iteratively.The accuracy of estimation could made relatively high.The simulation result demonstrates that the RV-OGSBL method not only maintains the performance of traditional SBL algorithm,but also reduces the computational complexity significantly.Under the situation of lower signal noise ratio (SNR) and low number of snapshots,the running time of algorithm is reduced about 50%.This shows the RV-OGSBL method is a rapid DOA estimation algorithm.     

基于高阶相似性的属性网络表示学习

现有的网络表示学习方法缺少对网络中隐含的深层次信息进行挖掘和利用。对网络中的潜在信息做进一步挖掘,提出了潜在的模式结构相似性,定义了网络结构间的相似度分数,用以衡量各个结构之间的相似性,使节点可以跨越不相干的顶点,获取全局结构上的高阶相似性。利用深度学习,融合多个信息源共同参与训练,弥补随机游走带来的不足,使得多个信息源信息之间紧密结合、互相补充,以达到最优的效果。实验选取Lap、DeepWalk、TADW、SDNE、CANE作为对比方法,将3个真实世界网络作为数据集来验证模型的有效性,进行节点分类和链路重构的实验。在节点分类中针对不同数据集和训练比例,性能平均提升1.7个百分点;链路重构实验中,仅需一半维度便实现了更好的性能,最后讨论了不同网络深度下模型的性能提升,通过增加模型的深度,节点分类的平均性能增加了1.1个百分点。