遗传-神经网络算法在水下隧道涌水量预测中的应用

水下隧道涌水问题受到多种因素的综合影响,具有非线性和高度复杂性。本文应用遗传算法和BP神经网络,结合工程实例,选用隧道围岩裂隙发育情况、上覆含水体富水性、上覆水压、隧道埋深、隧道围岩上覆相对隔水层强度和上覆基岩破碎带与隧道顶板的距离作为影响水下隧道涌水的主要因素,以调查的数据作为训练样本,使用遗传算法优化BP神经网络的初始权值和阈值,建立了水下隧道涌水量的遗传-神经网络预测模型,并进行了计算分析。结果表明:该模型收敛性能好,预测精度高,简单可行。该方法为水下隧道涌水量的预测提供了一条新思路。     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

人工代谢算法在故障诊断中的应用

从生物体新陈代谢的生理机能出发,建立了基于酶催化的人工代谢算法模型．通过对代谢算子功能的 分析提出了模式定理的概念,并证明了算法的收敛性．利用酶与底物相匹配的原理,通过代谢操作找出酶与底物的 最优匹配,从而找出对应故障现象的原因．在寻优过程中,不断地通过凋亡算子将不可能成立的原因筛除,降低了 故障诊断的成本．实例分析表明,该算法能有效地进行故障定位,尽可能地缩小了不必要的搜索空间．     

超差特征量指标集约束下PID调节器的满意优化

针对一类具有目的域的控制系统,提出将一组由滞留时间、超差时间以及随机穿越周期时间等构成的超差特征量指标纳入满意PID调节器的目标函数集中进行研究。将PID调节器的参数设计转化为局部状态反馈问题,推导出带状目的域下超差特征量指标的解析表达式,并分析了其与稳定裕度、动态误差系数以及稳态输出方差指标之间的相容性;当上述指标相容时,给出了一种利用双群体机制下的差分进化算法和内点法相结合对PID调节器参数进行优化求解的策略;数值算例表明了所提方法的有效性。     

基于二进制粒子群算法的异构传感器网络成本最优节点部署机制

节点部署作为无线传感器网络应用的一个核心问题,是保证网络服务质量的重要手段。针对异构传感器网络节点的高密度部署和监测目标的非均匀分布的情况,提出一种基于二进制粒子群算法的异构节点成本优化部署方法。该算法在满足区域节点部署要求的条件下以最小化传感器节点的部署成本为目标函数进行优化操作,以达到降低网络冗余、提高网络服务质量的效果。仿真结果表明,该算法能快速收敛于最优解,能够降低网络部署的成本,提高网络中目标监测的质量。     

基于人工免疫的网络入侵检测中疫苗算子的作用研究

在以前研究工作的基础上,将包含疫苗算子、变异算子和其它算子的免疫算法与人工免疫中的负选择算法结合在一起,实现检测器种群的进化,目的是加快种群的亲和力成熟进程和提高网络入侵检测效率。详细地给出了疫苗自适应提取算法和疫苗算子算法,建立了基于免疫算法和负选择算法的模型及算法来实现网络入侵检测。分别设计了基于克隆选择算法的和基于免疫算法的网络入侵检测实验。实验结果表明,含有免疫算子的免疫算法加快了检测器种群亲和力成熟的进程,收敛速度更快,随着进化代数的增加检测率总体呈上升趋势。而基于克隆选择算法的网络入侵检测则出现了检测器种群亲和力成熟进程较慢,并随着进化代数的增加检测率呈现轻微退化和较长时间停滞不前的现象。     

一种基于数值积分的过程神经元网络训练算法

针对过程神经元网络的训练问题,提出了一种基于数值积分的学习算法。直接采用数值积分进行网络中动态样本与连接权函数的时域加权聚合运算,采用梯度下降法实现连接权函数特征参数及网络性质参数的调整。设计了基于梯形积分、辛普森积分、柯特斯积分等3种过程神经元网络数值积分训练方法,以太阳黑子数据预测为例进行仿真实验,结果表明,基于数值积分的过程神经元网络训练算法是有效的,其中辛普森积分算法的性能最优。     

YCbCr颜色模式下基于L-M算法优化的火焰识别方法

传统火灾探测技术存在许多缺陷.提出了一种基于图像的火焰识别方法.首先将图像由RGB模式转换为YCbCr模式,以Cb,Cr为轴建立坐标系并绘出火焰样本的Cb,Cr值.用一个椭圆将绘出的坐标点包括起来,并创建椭圆方程和二维正态分布函数,使正态分布函数在椭圆外部的值为零,并用L-M算法对正态分布函数中的参数进行优化.对火焰的识别转换为判断正态分布函数在像素对应的Cb,Cr处的值是否大于零.该方法具有很好的实时性和识别效果.     

迭代重加权最小二乘支持向量机快速算法研究

迭代重加权(Iteratively Reweighted)方法是提高最小二乘支持向量机(LS-SVM)稳健性的重要手段,但由于涉及到多次加权和重复训练,该方法需要大量运算,无法广泛应用.通过数值推导,获得了求解迭代重加权最小二乘支持向量机(IRLS-SVM)的快速算法,大幅度减少了其运算复杂度.引入了3种经典的加权函数,并在多个仿真数据集和实际数据集上进行实验,证实了IRLS-SVM能获得相当稳健的学习结果,所提出的快速算法也确实能够大幅度减少训练时间.实验结果同时表明,在快速训练算法的框架下,3种不同的权重函数可能要求不同的训练时间.     

一种结合共同邻居和用户评分信息的相似度算法

随着互联网的发展,推荐系统逐步得到广泛应用,协同过滤(CF)是其中运用得最早.最成功的技术之一.CF首先根据用户间的相似度,找出每个用户的近邻;然后根据目标用户近邻的评分预测目标用户的评分;最后把预测评分较高的项目推荐给目标用户.因此相似度计算方法直接关系到预测结果的准确性,对推荐起着至关重要的作用.目前,学者们已从不同的角度提出了各种各样的相似度计算方法,其中共同邻居算法(common-neighbors)是一种简单有效的方法.但此法仅考虑了两用户间的共同邻居数,忽略了用户的具体评分信息.针对这个问题对共同邻居算法进行了改进,同时考虑了共同邻居数和用户的评分信息.实验结果表明,改进的共同邻居算法在一定程度上可提高评分预测的准确性.