Dual–primal proximal point algorithms for extended convex programming

This paper presents a class of dual–primal proximal point algorithms (PPAs) for extended convex programming with linear constraints. By choosing appropriate proximal regularization matrices, the application of the general PPA to the equivalent variational inequality of the extended convex programming with linear constraints can result in easy proximal subproblems. In theory, the sequence generated by the general PPA may fail to converge since the proximal regularization matrix is asymmetric sometimes. So we construct descent directions derived from the solution obtained by the general PPA. Different step lengths and descent directions are chosen with the negligible additional computational load. The global convergence of the new algorithms is proved easily based on the fact that the sequences generated are Fejér monotone. Furthermore, we provide a simple proof for the O(1/t) convergence rate of these algorithms.     

Compact difference method for solving the fractional reaction–subdiffusion equation with Neumann boundary value condition

In this paper, we derive a high-order compact finite difference scheme for solving the reaction–subdiffusion equation with Neumann boundary value condition. The L1 method is used to approximate the temporal Caputo derivative, and the compact difference operator is applied for spatial discretization. We prove that the compact finite difference method is unconditionally stable and convergent with order O(τ^2?α+h⁴) in L₂ norm, where τ, α, and h are the temporal step size, the order of time fractional derivative and the spatial step size, respectively. Finally, some numerical experiments are carried out to show the effectiveness of the proposed difference scheme.     

无线体域网高能效竞争接入机制研究

低能耗是无线体域网WBAN通信最重要的指标.构建了IEEE 802.15.6无线体域网CSMA/CA竞争接入的功耗模型,分析了用户优先级、MAC帧负荷尺寸和数据到达量对信道接入能耗的影响,提出了一种通过数据汇聚传输提高能量效率的增强型信道接入方法.仿真结果表明,在低业务量及混合业务场景下,所提方法能够显著减少信道接入的能量消耗.     

多社区网络上的命名博弈

为了模仿人类对新物体认知和命名的过程,提出了一种新型的命名博弈模型,它通过词汇的权重表示个体的认知程度,低权重词汇被删除模拟个体有限记忆的过程.实验发现,在单社区网络上,所有个体的词汇最终能够统一,通过总词汇数、不同词汇数和平均协议成功率的分析解释了新个体命名的演化过程.衰减因子和删除阈值的取值对于演化速度影响较大,当它们之间存在线性关系时演化收敛较快.通过将该模型应用到多社区网络模型上,发现收敛词汇数可能不唯一,会与社区数相同,且收敛词汇数的稳定性与网络社区化强度和社区内节点的平均度有关,而与社区内节点数无关.最后,使用微分动力学的方法对这种情况进行了定量分析.     

无线传感器网络中改进的多目标定位和跟踪算法

基于无线传感器网络的目标定位与跟踪技术是目前研究的热点,传统的目标跟踪算法均需要明确的目标定位系统观测模型,如无法获得该模型,则算法失效。为此,利用移动机器人客户端,提出一种分布式移动多目标定位和跟踪算法。该算法将所有机器人分为负责目标跟踪的领袖机器人与负责网络阵型和连接性维护的从属机器人,对收敛误差和系统参数间的关系进行分析,并通过仿真实验验证了该算法的有效性。     

城市区域交通信号迭代学习控制策略

城市交通流具有复杂的非线性动态特性, 在交通控制中难以对其进行精确的数学建模; 同时, 以天为周期, 宏观交通流又呈现出明显的周期性特征. 鉴于此, 提出一种基于迭代学习的城市区域交通信号控制策略, 通过对交通信号的迭代控制, 使路段的平均占有率收敛于期望占有率, 从而使绿灯时间得到充分利用并防止交通拥堵的发生, 保证了交通流在路网中的高效平稳运行. 严格的理论推导证明了该方法的收敛性, 仿真结果验证了该方法的有效性.

     

复形态双向联想记忆网络及其性能分析

基于复数环(C,∨,∧,+)提出了复形态双向联想记忆网络模型,给出了神经网络实现双向完全联想记忆的条件,并分析了自联想的存储能力、稳定性和收敛性及神经网络的抗噪声能力.当复数虚部取零时即为实数,实数域形态双向联想记忆网络就是复数域形态双向联想记忆网络的特例.最后通过仿真实验验证复形态双向联想记忆网络的有效性.     

不同池化模型的卷积神经网络学习性能研究

目的 基于卷积神经网络的深度学习算法在图像处理领域正引起广泛关注。为了进一步提高卷积神经网络特征提取的准确度,加快参数收敛速度,优化网络学习性能,通过对比不同的池化模型对学习性能的影响提出一种动态自适应的改进池化算法。方法 构建卷积神经网络模型,使用不同的池化模型对网络进行训练,并检验在不同迭代次数下的学习结果。在现有算法准确率不高和收敛速度较慢的情况下,通过使用不同的池化模型对网络进行训练,从而构建一种新的动态自适应池化模型,并研究在不同迭代次数下其对识别准确率和收敛速度的影响。结果 通过对比实验发现,使用动态自适应池化算法的卷积神经网络学习性能最优,在手写数字集上的收敛速度最高可以提升18.55%,而模型对图像的误识率最多可以降低20%。结论 动态自适应池化算法不但使卷积神经网络对特征的提取更加精确,而且很大程度地提高了收敛速度和模型准确率,从而达到优化网络学习性能的目的。这种模型可以进一步拓展到其他与卷积神经网络相关的深度学习算法。     

具有自学机制和退火选择的教学优化算法

为了克服教学优化(TLBO)算法容易早熟,解精度低的弱点,提出一种具有教师自学和学生选择学习的改进教学优化算法。在每次迭代过程中教师个体首先通过反向学习(OBL),实现教师的自我提高,加强优秀个体周围邻域的搜索,引导算法向包含全局最优的解空间逼近,保证算法具有较好的平衡和探索能力。学生个体通过随机执行反向学习进行自学习,同时亦向教师个体进行学习,计算两种学习方法后的状态相对教师个体的突跳概率,并以此概率为基础进行轮盘赌产生子个体。通过在多个标准测试函数上的实验仿真并与相关的算法对比,结果表明所提出的改进算法具有更高的收敛速度和收敛精度。