基于人工神经网络的乳腺癌诊断模型

针对具体的乳腺癌诊断分类问题 ,研究了多层径向基函数 (RBP)网络的分类机理和初始化优化参数 ,采用动量法和学习率自适应调整两种策略方法 ,建立了基于BP神经网络和径向基 (RBF)神经网络的乳腺癌两种诊断模型。讨论了径向基神经网络的分类机理 ,同时对数据作了预处理。径向基(RBF)神经网络具有较强的非线性并行处理能力和容错能力。仿真结果表明 ,所设计的RBF网络模型性能稳定 ,训练时间短 。

基于自适应惩罚函数法的混合遗传算法

引入了自适应的惩罚因子,将约束问题转化为无约束问题.通过遗传算法求得无约束问题的可行解,再将此解作为约束变尺度法的初始可行点,由约束变尺度法得到精度较高的解.数值实验表明该混合算法比单纯使用遗传算法效率高,而且在多数情况下能得到全局最优解.

将数学建模思想融入工科“概率统计”教学中

提出‘概率统计”课程的一种教学改革思路,注重理论联系实际,强调应用案例中融入数学建模思想的新的教学法.改革课堂教学方法,探索新的教学模式.加强学生的实践性教学环节,培养学生的应用能力和创新能力.

概率统计课程研究型教学模式的探索与实践

文章在分析研究型教学模式对创新型人才培养的重要作用的基础上，研究了概率统计课程研究型教学模式，提出了设计统计实验课题的目标、思想、原则以及研究型教学模式的实施条件，并对这种教学模式进行了教学实践。

变尺度混沌算法的BP网络优化

采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值;此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。

基于偏最小二乘的BP网络模型及其应用

基于BP网络模型具有拟合非线性数据的特性,提出一种基于非线性迭代偏最小二乘算法(NIPALS)的BP网络的构造策略,构造了新的PLS-BP网络模型,使BP网络减少迭代步数,提高学习效率。采用非线性迭代偏最小二乘算法预处理数据,将得到主成分数、自变量和因变量的主成分数的权重以及主成分间的关系矩阵B,以此用来确定BP网络的隐节点数和输入层、输出层的初始权值以及隐节点的关联系数。最后,进行仿真实验,并将它与PLS模型、标准的BP网络模型进行了比较,仿真结果表明,拟合和预测效果较好。

确定高斯核参数的聚类方法

高斯核参数σ的选择,直接影响着高斯核支持向量机的分类性能。将聚类方法与最小距离分类法进行融合,构造了能有效确定高斯核参数σ的优化算法。采用高斯核支持向量机方法对测试集进行分类,以分类正确率来评判选取核参数σ的效果。实验表明,该方法适宜于较广泛的数据类型,具有良好的推广能力,并能有效提高分类效果。

变量有误差的变系数部分线性模型的估计

研究了变系数部分线性回归模型的估计方法.在误差为条件异方差的情况下,用一般序列估计方法得到的参数估计是有效的.但实际应用中,协变量往往有测量误差,若忽略测量误差,由一般序列估计得到的估计是有偏的.通过对一般序列估计进行适当修正,得到的参数部分的估计具有一致性和渐近正态性,同时也讨论了非参数部分估计的收敛速度.最后,在有限样本下通过Monte Carlo模拟验证了修正后的估计效果.

论计算机技术在“概率统计”课程教学中的作用

针对概率统计课程的教学内容与教学特点,阐述了计算机技术在概率统计课程教学中的作用。计算机技术的发展改变了数学的教学,有力地推动了大学的数学教学改革。

开展数学实验课程教学 促进大学数学教学改革

本文主要阐述了开设数学实验课程教学对促进数学教改所起的作用 ,探索了数学实验课程的教学内容、教学方法、教学手段以及考试改革等 .全面总结了重庆大学近年来开展数学实验课程教学及深化理工科数学教学改革的一些思路 .

广义G-M模型参数的Bayes线性无偏估计及其优良性

针对广义Gauss-Markov(G-M)模型,采用Bayes估计方法获得参数的Bayes线性无偏估计(BLUE),在均方误差矩阵准则下与广义最小二乘(GLS)估计进行比较,导出了4种相对效率的界,讨论了在PC准则下BLUE相对于GLS估计的优良性.

基于构造映射的支持向量分类机

构造了基于马氏距离和Cupula函数的距离映射和条件概率映射,将高维空间中的样本转化为二维空间中的新样本,并对新样本进行简易处理,构建了可分支持向量分类机,其特点是简单,易于实现。实验表明取得了较好的分类效果。

关于完备超图的c度h—超星HS)分解

本文论证了超图可c度h-HS分解的存在性条件,同时,给出了超图K_n^3可4度3-HS分解存在的充要条件,部分地解决了文献〔3〕中遗留的问题。

基于修改误差函数新的BP学习算法

通过分析隐层神经元饱和度对网络性能的影响,构造了新的误差函数,同时设计了一种自适应调节的放大误差信号方法,得到新的BP学习算法。该算法流程简单,不需要太大的计算复杂性。仿真实验结果表明新改进算法在收敛速度和避免误差函数陷入局部极小方面明显优于其它BP算法。

深化工科概率统计课程教学改革 培养学生创新能力

概率统计是高等院校大学生的一门公共基础数学课程。论文通过对创新型人才的认识，针对概率统计课程理论性强、应用广泛、内容抽象、难以理解等特点，以及教学中存在的问题，探讨了如何借助教学平台深化教学改革，培养学生创新能力的问题。

一种基于模糊数中心的模糊数排序方法

模糊数的排序法在决策及其它模糊应用系统的研究中起着非常重要的作用,众多学者提出了很多模糊数的排序方法,Cheng和Chu提出两种与模糊数中心有关的排序指标,但这两种方法都有明显的缺陷。本文构造了新的排序指标,能有效地实现各种模糊数的排序,最后用实例与前两种排序指标进行比较,体现出新指标的优越性。

信息与计算专业概率统计课程的实践教学研究

概率统计是一门研究数量规律和对数据分析处理的学科，是信息专业一门重要的数学类基础课程，教学目的在于培养信息与计算科学专业学生应用统计方法解决实际问题，使学生掌握概率论的基本知识和理解统计方法的基本思想，具有一定的统计应用能力，并能借助计算机及统计软件完成统计计算、分析统计结果，做出统计推断。课程强调学生应用统计方法解决实际问题的能力和意识的培养。

BP神经网络的联合优化算法

针对BP神经网络存在收敛速度慢、易陷入局部极小等缺陷,提出了一种自适应调节学习率和动态调整S型激励函数相结合的改进BP算法。该算法将学习率与误差函数相关联,再对每个隐单元和输出单元的激励函数的斜率进行自动调整。通过实例仿真,将改进算法与标准BP算法、加动量项法和自适应学习率法进行比较,来验证所提出方法的有效性。实验结果表明,联合优化的BP算法能有效加快网络的收敛过程,并具有较强的泛化能力。

TSP问题的顺序插入交叉算子

针对TSP问题的特点,在遗传算法的交叉运算过程中设计了三角距离差函数作为评价标准,运用贪婪策略思想,提出了一种新的交叉算子:顺序插入交叉(OrderInsertCrossover,简称OIC)算子,该算子有效地利用了局部信息,并且能很好地继承父代优秀的基因,实例仿真验证了该算子的有效性。

基于改进属性加权的朴素贝叶斯分类模型

构造了一种新的属性间相关性度量方法,提出了改进属性加权的朴素贝叶斯分类模型。经实验证明,提出的朴素贝叶斯分类模型明显优于张舜仲等人提出的分类模型。