基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T S模糊模型的RBF神经网络的自适应学习算法.该算法不仅能动态调节T S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力.仿真结果验证了该算法是有效和可行的,表明此T S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力.

自组织区间二型模糊神经网络及其自适应学习算法

针对复杂不确定非线性系统的辨识问题,提出一种基于聚类的自组织区间二型模糊神经网络学习算法.首先采用具有两个不同加权参数的FCM算法对输入数据进行划分来获取规则前件的不确定均值,同时结合聚类有效性标准确定模糊规则数目,从而自动完成神经网络的结构辨识和规则前件参数辨识;随后给出了基于梯度下降法和Lyapunov函数稳定收敛定理的规则后件权向量学习速率的自适应学习算法.通过非线性系统辨识实例,验证了该算法与其他方法相比具有更快的收敛速度和更高的逼近精度;并且利用该算法建立了某市电力短期负荷预测模型,结果表明该模型具有较高的预测精度,泛化性能更佳.

0模糊联想存储器及自适应学习算法在地震预报中的应用

介绍了模糊联想存储器ＦＡＭ（ＦｕｚｚｙＡｓｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ）的基本结构、ＦＡＭ的自适应学习算法以及ＦＡＭ推理机的原理，并成功地将其用于地震预报专家系统中．其成果表现为：在知识获取方面，用积空间聚类的方法，自适应地产生地震预报规则；在推理方面，用ＦＡＭ推理机实现了对结构性语言经验的综合推理．

基于自适应学习算法的智能代理网络故障监测

提出一种基于自适应学习算法的故障监测智能代理，通过分段测量抽取描述网络正常行为的ＭＩＢ变量值并检测偏差，对学习获得的信息经由贝叶斯图加以组合，从而鉴别未知的或不可预见的故障．实验结果表明，智能监测代理系统能够在故障发生以前检测网络异常行为．

一种分布式检测系统的递推反馈自适应学习算法

分布式多传感器检测系统中的等概率假设在检测概率未知及时变情况下不能得到最优的检测状态．研究分布式检测系统的最优检测问题,考虑传感器虚警与漏报的概率未知,且概率不相等的情况,提出了一种递推的状态反馈自适应学习算法,通过在线的修正融合权值,最终使系统收敛于最佳权值,并对算法收敛性和误差进行了理论分析．仿真研究了概率未知、环境时变等情况下的算法性能,验证了所提方法的有效性．

基于双字典自适应学习算法的低采样率CT重建

在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.

基于自适应学习算法的档案信息自动化整合系统设计

档案信息整合过程中,受到自动化整合模型的影响,使得系统整合耗费时间较长。因此,提出基于自适应学习算法的档案信息自动化整合系统设计。硬件方面,设计采集器和存储器,为软件设计提供支撑。利用粗糙集技术获取待整合档案信息,形成样本集并对该集合进行筛选。利用自适应学习算法,构建自适应学习整合模型。对组合逻辑延时分析后,完成档案信息高效率自动化整合。相同测试环境下,与传统整合系统相比,设计系统将档案信息整合耗费时间分别降低171 s、199 s,极大提升了系统性能。

一种新的前向神经网络自适应学习算法

针对时变和 或非线性输入的前向神经网络提出了一种感知自适应算法 ,其本质是迫使输出的实际值和期望值之间的误差满足一个渐近稳定的差分方程 ,而不是用后向传播方法使误差函数极小化。通过适当排列扩张输入可以避免算法的奇异性。

自适应学习算法的应用研究进展

自适应学习是个性化学习的实现方式,通过分析收集到的学习者实时交互数据来自主引导学习者学习。目前自适应学习还处在弱人工智能水平,而实现自适应学习向强人工智能水平转变的突破口在于自适应学习算法的突破。同时,自适应学习算法是实现自适应学习的关键支撑,因此,有必要对自适应学习算法及其应用进展进行深入分析。本研究首先梳理了当前主流自适应学习平台使用的自适应学习算法,将自适应学习算法归为心理测量类和机器学习类,并详细介绍了这几类算法的具体应用,从而总结出各类算法的优缺点,最后提出将两类算法进行结合,根据优势互补原则组合多种自适应学习算法的应用策略和建议。

基于自适应宽度学习算法的城市污水处理污泥膨胀识别

针对污水处理过程的污泥膨胀难以精准识别的问题,提出了一种基于自适应宽度学习算法(adaptive broad learning algorithm,ABLA)的污泥膨胀识别方法。首先,结合城市污水处理过程的运行数据,采用主元分析法选取与污泥体积指数(sludge volume index,SVI)相关的特征变量;其次,建立了一种基于ABLA的污泥膨胀识别模型,利用自适应伪逆算法更新模型参数,提高了识别精度,并验证了模型的收敛性;最后,将所提模型应用于实际的污水处理过程中,利用污水处理厂的实际运行数据对其进行实验验证。实验结果表明,基于ABLA的污泥膨胀识别模型能够实现污泥膨胀的精准识别。

一种自适应B样条网络学习算法

本文提出Ｂ样条网络的一种自适应学习算法．在这种算法中，网络隐层Ｂ样条基函数的个数根据训练数据自动确定，而非零Ｂ样条基函数对应的内结点位置和连接权通过梯度下降法迭代调整．计算机模拟结果表明该算法比现有的Ｂ样条网络学习算法更加有效和实用．

基于认知模拟的自适应机器学习算法研究

根据认知科学的理论 ,同时以神经科学、脑科学等学科的最新研究成果为指导 ,利用计算机科学、数学及工程科学的方法 ,提出了一种自适应机器学习方法 .该方法从微观神经元层次、中间层次和宏观层次 ,根据人脑的学习机理模拟人脑的学习过程 .根据该方法开发的心电图分类知识自动获取系统 ,可以较好地模拟心电图专家的感知。

动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。

基于DCT与自适应人类学习优化算法的图像匹配算法

为提高图像匹配的精度和速度,利用离散余弦变换(DCT)和自适应人类学习优化算法(ASHLO),提出了一种快速并且抗噪性强的图像匹配算法。该方法利用当前搜索位置子图像和模板图像离散余弦变换后的参数构造适应度函数,经过迭代寻优寻找最优匹配位置。将该算法在正常情况下以及不同噪声情况下与穷举法、基于粒子群算法(PSO),基于人工蜂群算法(ABC)的图像匹配算法进比较。实验结果表明,该算法可以获得较高的准确率,成功匹配率约95%,且速度快,抗噪性强。

基于自适应学习法的行业日志异常数据精准挖掘研究

针对电力转型系统无法有效检测入侵风险下的异常日志数据识别、数据挖掘时间长、数据挖掘精度低等问题。提出一种基于自适应学习算法的异常日志数据挖掘方法,利用自适应学习算法首先按时间顺序对日志进行排序,按照特定的时间间隔划分时间片,并删除每个时间片内的重复日志,并进一步提取系统异常数据,从而达到入侵检测数据的目的。仿真实验结果表明,在训练时间为1s时,挖掘稳定性仅为95.1%,而训练时间4.5s时,挖掘稳定性可以高达99.2%。自适应学习算法的日志数据挖掘速度明显快于深度学习、K-means聚类算法及粒子群优化算法。提出的自适应学习算法在21次实验迭代中,数据挖掘准确率在91.6%~95.1%,远高于其他算法。

基于互学习的自适应PSO算法的亚像素定位研究

针对数字图像相关方法(DIC)的亚像素精确定位运算量大、时间代价高的问题,提出了一种改进的粒子群优化方法的亚像素精确定位。依据待测物图像中特征点变形程度的差异自适应地调整粒子飞行的速度和范围并细化到x和y二维方向上,改善特征点位移解的质量;另外,引入粒子间的互相学习机制,充分利用前一粒子的历史信息,减少迭代次数,提高算法运行效率;最后,将这种互学习的自适应粒子群的亚像素定位算法与牛顿-拉夫森(Newton-Raphson)算法和牛顿拉夫森-粒子群(NR-PSO)算法作比较。实验结果表明,本文算法具有更高的精度、有效性和可行性,尤其在处理大数据量时,该算法的时间成本优势更为显著。

基于单向流模型的自适应张量链式学习算法

针对单向流模型中高阶张量在线分解问题,研究了一种自适应张量链式(TT)学习算法。首先,推导出单向流增量仅改变时序TT核的维度;然后,引入遗忘因子和正则项构造指数权重最小二乘目标函数;最后,利用块坐标下降学习策略分别估计时序和非时序TT核。对所提算法在增量大小、TT秩、噪声和时变强度等方面分别进行了验证,结果表明,所提算法的平均相对误差和运算时间均小于对比算法,并在视频自适应分析中表现出优于对比算法的张量切片重构能力。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

基于自适应学习率萤火虫算法的多能源系统联合优化调度

随着碳中和目标下分布式新能源发电的快速增长以及多能协同技术的不断成熟,多能源系统(MES)得到了快速发展,成为未来能源的主要承载形式。但MES包括生产、存储、消费等复杂环节,其经济运行面临挑战。在MES框架下构建了包含新能源发电站、电池储能装置和冷热电联供装置的经济优化模型,以弃风弃光惩罚成本、电池储能装置放电损耗成本、燃气轮机燃气成本、碳排放惩罚成本等最小为目标函数,以电池储能装置的充放电特性、光伏与风力发电机组的出力特性、冷热电平衡等为约束条件,采用一种新型的自适应学习率萤火虫算法(ALRFA)对优化模型进行求解,通过引入自适应学习率参数,可避免陷入局部最优、收敛速度慢等问题。以某园区的用户冷热电负荷为例,验证了所提模型和优化算法的有效性和可行性。

动态模糊神经网络及其快速自调整学习算法

针对非线性动态系统辨识和控制的特点,对4层模糊神经网络进行了优化和改进.形成了动态模糊神经网络,提高了网络的稳定性和对动态系统的辨识能力,同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法.应用于非线性动态系统的辨识和控制仿真试验表明,改进后的动态模糊神经网络与模糊神经网络相比,可取得更好的辨识精度和跟踪控制效果.