基于规则的前馈神经网络的混沌梯度下降耦合学习算法

提出用规则判断由于BP神经网络学习过程中因梯度搜索产生的局部极小 ,并利用具有全局寻优的特点的混沌优化算法 ,使学习过程能有效地逃离局部极小。即 ,梯度下降进研“粗搜索”、混沌优化法进行“细搜索”及建立规则将两者结合起来 ,就构成了本文的基于混沌梯度下降的前馈神经网络学习算法。这种算法有效地利用了梯度下降算法的快速性和混沌寻优的全局性。将该算法应用于铜锍吹炼过程智能决策支持系统模型库中的模型学习 ,产生了良好的应用效果。     

用于RBF-SVM参数搜索的伪梯度动态步长算法

针对基于径向基核函数(RBF)的支持向量机(SVM)超参数选择问题,提出了一种基于差分方程的新算法——伪梯度动态步长算法。该算法根据径向基核函数的特点提出由训练集的空间特性确定的核参数搜索范围,并采用对数刻度表示搜索空间;利用参数空间中SVM在两个临近点的分类精度的变化估计参数的搜索方向,并且随着搜索方向的变化动态调整搜索步长,从而实现较快的搜索。通过与Grid和PSO方法的对比实验,表明该算法具有良好的性能。     

一种共轭下降算法的全局收敛性

给出了求解无约束优化问题的一种共轭下降算法，该算法具有充分下降性的共轭梯度公式。在较为温和的条件下，利用宽松的非精确线搜索条件得到全局收敛性结果，同时数值实验表明了算法的有效性。     

一种快速整像素运动估算算法研究

在对已有快速整像素运动估计算法中使用的模板进行分析和实际测试的基础上,提出了一种新的适合于大运动矢量搜索的搜索模板,然后把该模板和小菱形模板结合起来而形成了一种新的快速运动估计算法。该算法充分利用了相邻块运动矢量的相关性以及运动矢量的中心偏置特性,显著减少了运动估计的运算量。把该算法运用到视频编码标准H.264/AVC中,取得了良好的编码效果,实验结果表明,新的运动估计算法和FS及DS算法相比平均搜索速度分别提高了98.08%和48.71%;重建图像的信噪比比DS算法平均提高了0.001875dB,更接近FS算法的编码质量。     

适合于BP学习的共轭梯度法

基于ＬＭＳ的标准ＢＰ算法收敛速度极慢，而共轭梯度法要求精确的线性搜索，这在神经网络的高维权空间中是难以实现的。本文提出了一种新的ＢＰ学习算法，它采用一种对线性搜索要求不高的改进的共轭梯度法与一种简单的不精确线性搜索相结合，极大地提高了ＢＰ学习速度。经多次测试表明，与标准ＢＰ算法相比，该算法的效率提高了二个数量极。     

一种基于UMHexagonS的运动估计优化算法

UMHexagonS算法是H.264/AVC所采纳的整像素的快速运动估计算法之一,该算法在保持良好的率失真性能的前提下,相比全搜索算法(FS)可节约70%的运算量。根据UMHexagonS算法的特点,可从三个方面对该算法进行优化:加入零运动块判决;改进的5*5螺旋搜索;优化的多层次六边形搜索。仿真实验结果表明,在保证PSNR和码率几乎不变的情况下,优化算法可有效降低运动估计时间,从而提高H.264/AVC编码器的实时性。     

基于harris角点的电子稳像算法研究

研究了一种基于harris(哈里斯)角点匹配的电子稳像算法。为了实现电子稳像,该算法首先从震动图像中搜索所有的哈里斯角点,然后选择左上角的角点作为模板,在震动前的图像中寻找匹配部分,从而计算出运动向量,最后根据该运动向量计算出稳定的图像。结果表明,该算法是一种快速、高效而且稳定的方法,在井下智能监控系统的应用中能取得良好的效果。     

基于高斯白噪声扰动变异的粒子群优化算法

为了有效避免粒子群算法(PSO)早熟和局部收敛的现象,在深入分析PSO算法的基础上,提出了一种基于高斯白噪声扰动变异的粒子群优化算法(GMPSO)。该算法以一定的概率选中粒子进行基于高斯白噪声扰动的变异,并重新随机产生飞离搜索区域的粒子,以克服粒子群后期多样性严重下降的缺点。通过对Benchmark函数的测试表明:GMPSO算法无论是搜索精度、速度还是稳定性均显著优于PSO算法。     

强wolf线搜索下的一种新的共轭梯度法

本文在应用共轭梯度求解无约束最优化问题时,引入了新的送代参数,从而得到了一种新的共轭梯度法,并在强wolf线搜索的条件下,对此种算法的下降线和全局收敛性给予了相关的证明.     

初始点任意的摄动梯度投影法

利用梯度投影与罚函数相结合的技巧，将带不等式和等式约束的优化问题化成一个无约束问题，提出了初始点可任意的求解不等式、等式约束优化问题的摄动梯度投影算法；参数δｋ取不同的数还可以得到一类梯度投影算法，从而得出了在搜索方向和步长不精确条件下的梯度投影法，保证了在实际应用中更容易实现；在较弱条件下，证明了该算法的全局收敛性。     

修正共轭梯度恒模阵列算法研究

提出一种基于修正共轭梯度算法的恒模(MCG-CMA)盲干扰抑制算法,该算法将修正共轭梯度方法引入到恒模算法中,克服了传统恒模算法收敛缓慢、LS-CMA运算量大的缺点,保留了较好的计算复杂度和数值稳定性,理论推导了算法失调量的显式表达式。仿真结果表明该算法不需要波达方向估计,与传统的LS-CMA算法、SCG-CMA算法相比,具有较好的收敛性能和输出信干噪比(SINR)。     

一般约束优化问题的摄动梯度投影法

利用梯度投影法与罚函数技巧，将带等式和不等式约束优化问题化成一个无约束问题，提出了求解不等式、等式约束优化问题的摄动梯度投影算法。考虑到计算的误差因素，在搜索方向上进行摄动，得到一个方向不精确的梯度投影法。参数δｋ取不同的数还可以得到一类梯度投影法。从而保证了在实际应用中更容易实现，在较弱的条件下，证明了该算法的全局收敛性。     

TV数值计算的图像去噪

继承传统TV去噪算法的图像边缘保护性,弥补平滑区域抑噪不充分的不足,结合图像的空间梯度和像素梯度,提出了新的基于TV数值计算的去噪算法。该算法分析了图像的空间梯度;为了抑制噪声对图像平滑区域梯度的影响,对该区域的空间梯度进行抑制,克服了传统TV算法对平坦区抑噪不充分,甚至出现的虚假边缘和阶梯效应;结合像素梯度分析了图像TV去噪的迭代函数。实验结果表明,该算法实现了保边去噪且残余噪声较小,提高了图像的峰值信噪比(PSNR)和视觉效果。     

一种带搜索因子的全局最优人工蜂群算法

针对全局最优人工蜂群算法(GABC)搜索迭代过程中未充分考虑到全局优化和局部优化在优化过程中的作用,在一定程度上降低了算法的全局搜索能力,容易陷入局部最优解的问题,提出了一种带搜索因子的全局最优人工蜂群算法(HF-GABC)。在最优人工蜂群(GABC)算法中引入了可以随着优化过程动态搜索的因子,在算法的全局搜索过程和局部搜索过程中进行动态搜索。应用改进的算法对4个标准测试集函数进行仿真试验,并与ABC算法、GABC算法的结果进行比较。实验结果表明:带搜索因子的人工蜂群算法收敛性能优于ABC和GABC算法,有效降低了局部收敛的可能性,并且提高了搜索精度。     

广义线性互补问题的共轭梯度算法

本文构造了广义线性互补问题的一个光滑价值函数,该函数具有良好的微分性质.基此价值函数提出了求解广义线性互补问题的一类不精确线搜索共轭梯度算法,证明了算法的全局收敛性,并通过数值试验检验了算法的实用性.     

一类修正的DY共轭梯度法

基于1999年戴和袁提出的经典的DY共轭梯度法,提出了一类修正的DY方法,并证明该方法在步长满足Wolfe线搜索的条件下,其搜索方向具有下降性,同时对一般函数具有全局收敛性。     

部分极化条件下的极化对比度增强优化的快速方法（英文）

介绍了一种包含完全极化情形和部分极化情形在内的通用信号杂波噪声比(SCNR)模型。基于该模型,提出了一种适用于收发极化状态受约束的极化对比度增强优化(OPCE)的快速方法。该方法证明OPCE问题等价于某类线性代价函数的极值问题,且该类线性代价函数的极值问题的求解比OPCE问题的求解容易。从而构建了快速解决OPCE问题的方法。理论分析和数值实验验证了该方法的可靠性和高效性,与基于三步法的全局搜索方法(GSM)相比,该方法仅需要5%的计算时间。     

基于IAPSO-RELM的信用卡用户风险评估

为了提高正则极限学习机(RELM)分类模型的精度,准确的将银行信用卡客户按照信用等级进行分类,利用改进的自适应粒子群算法(IAPSO)的全局搜索能力,寻找RELM的最优输入权值(IW)和隐藏层阈值(B),提出一种IAPSO-RELM分类算法。在分析影响信用卡用户信用等级的个人状况、工作状况和与银行关系的基础上,建立基于IAPSO-RELM的信用等级分类模型,并以FX银行信用卡中心的数据进行仿真实验。结果表明:与RELM、PSO-RELM算法相比,该方法分类效果更好。     

基于模糊启发式的KNN算法在人才需求信息分类中的应用

随着当前计算机与移动互联网中数据的增长,在海量的网络招聘数据中如何有效挖掘可用信息成为当前教育和社会供需发展的技术瓶颈。为突破该技术瓶颈,提出了一种模糊启发式的KNN文本分类算法:基于ABC(artificial bee colony)的启发式搜索方法,以此来调整特征的权重,并利用模糊距离度量方法以测量测试观察和训练观察之间的相似性。先将招聘信息分词,利用TF-IDF(term frequency-inverse document frequency)算法与AP(affinity propagation)聚类算法进行特征选择和噪声数据剔除,最后采用结合启发式搜索和模糊距离度量的KNN算法对文本信息分类。通过实验结果发现:该方法有效地解决了传统KNN算法在人才需求文本分类方法中稳定性差和分类精度低的问题。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。