Nonlinear time series forecasting with Bayesian neural networks

The Bayesian learning provides a natural way to model the nonlinear structure as the artificial neural networks due to their capability to cope with the model complexity. In this paper, an evolutionary Monte Carlo (MC) algorithm is proposed to train the Bayesian neural networks (BNNs) for the time series forecasting. This approach called as Genetic MC is based on Gaussian approximation with recursive hyperparameter. Genetic MC integrates MC simulations with the genetic algorithms and the fuzzy membership functions. In the implementations, Genetic MC is compared with the traditional neural networks and time series techniques in terms of their forecasting performances over the weekly sales of a Finance Magazine.     

NOVELL网在黄麦岭磷化工工程公司的应用

结合工程实践，较详细地介绍了NOVELL局域网的设计特点和实施技术。结果表明，选择NOVELL网建立用户／服务器局域网开发MIS是成功的。     

Development of a variable selection method for soft sensor using artificial neural network and nonnegative garrote

This paper developed a new variable selection method for soft sensor applications using the nonnegative garrote (NNG) and artificial neural network (ANN). The proposed method employs the ANN to generate a well-trained network, and then uses the NNG to conduct the accurate shrinkage of input weights of the ANN. This paper took Bayesian information criterion as the model evaluation criterion, and the optimal garrote parameter s was determined by v-fold cross-validation. The performance of the proposed algorithm was compared to existing state-of-art variable selection methods. Two artificial dataset examples and a real industrial application for air separation process were applied to demonstrate the performance of the methods. The experimental results showed that the proposed method presented better model accuracy with fewer variables selected, compared to other state-of-art methods.     

基于Monte Carlo随机模拟的综合交通网络布局评价与决策方法

针对综合交通网络评价指标权重及属性值具有主观性和随机性的特点,提出了基于模拟运算的布局规划方案排序选优的群体随机决策方法.仿真生成满足集结的多个专家对指标重要性偏好排序统计分布的权重,同时考虑交通需求的不确定性对指标值的影响,结合客观熵权计算方案的综合评价值,由多次模拟得到的排序优势度确定方案的优劣差异.根据设计的仿真流程通过算例说明了方法应用的有效性,评价中考虑了主客观因素及随机性特征,可以为网络布局提供科学决策依据.     

基于交叠社团相似性的生物网络关键节点识别

生物网络是研究生物特性的一个重要工具,目前已经有许多方法用于研究生物网络,关键节点分析是其中最常用的方法之一。关键节点分析通常是根据一定的规则为网络中的各节点分配一个函数值,并由此来确定网络中各节点的重要程度,目前已经发表了一些方法。然而,这些方法在单独使用的情况下,获得的关键节点的生物学意义一般较低,存在一定的缺陷。本文从节点对社团贡献的角度建立关键节点识别方法,首先提取网络中富含生物学功能意义的社团,然后依据交叠社团的相似性为各节点分配贡献值,最后通过两个生物网络实例论证了方法的有效性。     

基于类标记扩展的半监督网络流量特征选择算法

针对网络流量特征选择过程中存在的样本标记瓶颈问题,以及现有半监督方法无法选择强相关的特征的不足,提出一种基于类标记扩展的多类半监督特征选择(SFSEL)算法。该算法首先从少量的标记样本出发,通过K-means算法对未标记样本进行类标记扩展;然后结合基于双重正则的支持向量机(MDrSVM)算法实现多类数据的特征选择。与半监督特征选择算法Spectral、PCFRSC和SEFR在Moore数据集进行了对比实验,SFSEL得到的分类准确率和召回率明显都要高于其他算法,而且SFSEL算法选择的特征个数明显少于其他算法。实验结果表明: SFSEL算法能够有效地提高所选特征的相关性,获取更好的网络流量分类性能。     

基于自适应差分优化的改进虚拟力导向粒子群算法研究

为提高节点在无线传感器网络中的自部署性能,本文以虚拟力导向粒子群算法为基石,在部署区域内,采用正方形网格划分方式,并引入一种改进的自适应差分进化策略,对原算法进行改进。改进算法引入了移动目的地对移动节点的引力作用,并通过自适应调整,有目的的向扩大网络覆盖率的目标进化,从而最大限度地优化节点的部署速度和网络的覆盖率。通过对该算法的性能进行了仿真与分析,在网络覆盖率、算法收敛速度以及部署时间等方面,相比于经典虚拟力算法及虚拟力导向粒子群算法,该算法具有更佳的部署性能。     

无线传感器网络连通恢复综述

针对无线传感器网络中连通恢复问题,分析和总结了近年来相关的主要方向和研究成果,同时对无线传感器网络连通恢复解决方法进行了分类和总结,并指出了其中的不足与未来的研究方向。     

基于Fourier矩阵的无线广播重传策略

针对随机网络编码重传的缺陷, 将Fourier矩阵和随机网络编码相结合, 提出一种半固定编码系数的广播重传方案FMWBR。利用广播源节点和接收节点双方已知的Fourier矩阵的行向量作为编/解码向量, 保证接收节点接收到的重传包具有完全可解性。理论分析表明, FMWBR增强了无线传输的安全性、提高了网络的鲁棒性、减少了包头开销。仿真测试结果表明, FMWBR跟其他几种重传策略相比, 有效地减少了平均传输次数, 节省了带宽消耗, 提高了网络吞吐量。     

基于贪婪算法无线传感器网络中继节点布局的研究

为实现远距离的无线通信, 在网络中添加中继节点, 采用多跳路由传输数据。对于中继节点的布局问题, 依据线性结构使网络整体能量消耗最小的特征, 提出一种中继节点贪婪布局算法。该算法通过最近贪婪策略、中继节点通信容量、传感器节点数据转发跳数等约束方法限制中继节点的布局位置。理论分析和实验验证了该算法能够有效减少能量消耗, 延长网络寿命。