多稀疏回声状态网络预测模型

针对单回声状态网络难以充分描述数据信息的问题,提出多稀疏回声状态网络预测模型.通过对相关回声状态网络的组合权值及由相关样本得到的基函数的权值同时进行学习,获得优化的多个稀疏回声状态网络组合模型.所提模型不同于双稀疏相关向量机等多核学习模型,它不需要选择特定的核函数及相应的核参数.因此,该模型不但能更好的描述数据信息,避免了双稀疏相关向量机及其他多核学习中核函数及其参数不易选择的问题.同时,所提模型不需要采用交叉验证的方式确定回声状态网络的谱半径和稀疏度,只需确定相应的区间.本文通过两组标杆数据和一组实际数据仿真实验,与传统回声状态网络方法相比,验证了所提模型具有更好的预测性能.     

基于FCM与神经网络的案例推理方法

目前有关案例推理(CBR)的研究主要集中在案例检索方面,对案例库构造方法的研究则较为少见,而好的案例库,既可以提高案例检索效率,又可以保证较好的检索准确率.鉴于此,针对CBR中的案例库进行研究,引入模糊C均值方法去除原案例库中的冗余案例,从而实现对神经网络-案例推理方法的改进.最后通过对UCI数据进行的仿真实验表明了改进后的案例推理方法无论在案例检索精度还是在案例检索速度上均有所提高.     

基于微粒群的案例推理方法研究

距离测度是案例检索的关键问题,它直接影响案例检索精度.针对距离测度进行研究,提出一种基于微粒群方法的自学习距离测度,并将该自学习距离测度引入案例推理中,使案例推理在处理由相关属性表述的案例时有了合理的解决方法,从而扩展了案例推理的应用范围.最后,利用实际数据与UCI数据对基于新距离测度的案例推理技术进行了仿真实验,实验结果表明,与其他方法相比,该方法可以提高案例检索的准确性.