离散型Hopfield神经网络学习算法

为使得离散型Hopfield神经网络(DHNN)具备更强的联想记忆功能,基于替换函数f(x),权值求取采用提出的学习算法。通过设计比sgn更强约束能力的函数f(x),在满足sgn函数要求的同时连续可导,由于f(x)连续可导,可根据能量最低点网络状态不再发生变化的特性定义损失函数,用梯度下降算法来求解。使用Matlab编程验证效果,验证结果表明,该学习算法比传统的外积法、正交设计法具有更好的效果,对原始信息还原率提高了5%-11%。

基于Fisher线性判别分析的情景感知推荐方法

为解决现有推荐方法无法兼顾多种度量准则,提出一种基于线性判别分析的情景感知推荐方法。获取用户视图下的偏好项目特征、项目视图下的项目吸引度等多视图数据,通过特征融合、投影变换,在最佳鉴别矢量空间引入Fisher判别准则,采用Lagrange乘子法求解最优投影方向。实验结果表明,与现有方法相比,所提方法降低了时间开销,准确度平均提高18.91%,多样性平均提高32.79%,验证了其能够兼顾多种度量准则,提高了推荐质量。

基于改进Gossip协议的数据同步设计

为了解决客户端/服务器(C/S)架构信息系统采用的中心化数据同步模式导致的服务器性能下降,并影响信息系统整体性能的问题,改进了Gossip协议,提出了基于改进Gossip协议的数据同步方法。该方法可提高数据同步效率,减少数据同步对系统整体性能的影响。最后,通过对比试验验证了该方法的有效性。

改进GAC模型肺部薄扫CT图像序列分割法

针对测地线活动轮廓(geodesic active contour,GAC)模型轮廓演化速度慢的问题,构造一个区域灰度相似性信息项,对GAC模型的能量泛函进行改进,加快轮廓演化速度,将其用于肺部薄扫CT(computed tomography)图像序列中肺实质的自动分割。采用基于Nystrom逼近的谱聚类算法分割CT图像序列中间位置CT中的肺实质,计算其灰度均值与标准差,构造区域灰度相似性信息项,以分割好的肺实质轮廓作为初始轮廓,分别从上下两个方向采用改进了能量泛函的GAC模型实现其它切片中肺实质的分割。实验结果表明,该方法能够较好实现肺实质的自动分割,与医师分割结果的重合率可达94.83%,时间消耗较少。

托管型数据中心激励机制优化算法分析与研究

针对紧急需求响应下托管型数据中心激励机制中胜标方决策效率低的问题,分别采用动态规划、遗传算法、粒子群优化及混合算法等方法对其激励机制的优化展开分析与研究。根据紧急需求响应的特点和算法需求建立托管型数据中心的激励机制优化模型,证明激励机制中的胜标方决策问题为一个NPC问题。从理论上分析优化算法使用的可行性及复杂度性,为算法在激励机制中的应用提供了理论基础。通过实验仿真,分别从4种算法的处理规模、性能以及时间复杂度的角度进行阐述和对比,实验结果表明,4种算法优化了胜标方选择最大化可供电力并满足管理员的最大支付,体现了优化算法解决问题的有效性及高效率性,提高了决胜标方决策的效率。

求解混合流水车间调度的多目标优化算法

为求解多目标混合流水车间调度问题,以最小化最大完工时间、提前惩罚量和滞后惩罚量为目标,提出一种改进的MOEA/D算法。采用基于排列的编码策略,设计两种局部搜索策略,提高算法求解性能。设计一种全局搜索交叉算子,给出一种种群更新策略,进一步提升解的分布均匀性。基于炼钢连铸实际生产数据,随机产生20个算例,与最新的两种多目标优化算法进行对比分析,验证了所提算法的优越性。

随机模糊粗糙分类方法

为进一步提升模糊粗糙集的分类性能,提出随机模糊粗糙分类策略。在原始属性集合上利用随机多重采样的方法,得到一组由原始属性的子集构成的合集,在此基础上采取投票方法实现模糊粗糙分类结果的集成输出。实验结果表明,这种随机模糊粗糙分类器的性能优于传统的模糊粗糙集和随机森林方法,在利用约简时,分类性能能够进一步得到提升,为使用集成思想研究模糊粗糙集的分类机制提供了可行的解决途径。

权重优化的WFQ算法分析

针对传统WFQ算法在链路拥塞及突发数据流时的不足,提出了一种权重优化的WFQ算法。该算法通过优先判别器对输入业物流进行预约带宽与实际需求带宽的实时对比分析,并对大带宽需求业物流进行属性分类;接着,在中心控制模块对进入调度器的业务流进行流量控制,通过改变实时业务的带宽权值,缓和突发性业务流,缩短系统时延。仿真结果表明,该算法在时延、抖动、丢包率和吞吐量四个方面都优于传统的WFQ算法。

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。

改进的压缩感知重构算法研究

为了对未知稀疏度信号、特殊信号、含噪声信号进行准确重构,提出一种改进的压缩感知重构算法——预测正交匹配追踪算法。提出的算法通过所选支撑集内原子总数、信号间能量差以及残差共同预测并选择所需原子。预测正交匹配追踪算法能够在稀疏度未知的情况下自适应地对块稀疏信号、噪声信号及图片信号进行准确重构。实验结果表明,在相同条件下,改进后的算法提高了重构质量,减少运行时间。

基于遗传算法的多维度物资装箱算法

利用遗传算法(GA)能高效解决全局优化问题的优点,将泛化的GA应用于多维度(3维)装箱(MBP)问题。通过设计合适的适应度函数,设计了基于GA的装箱决策算法,为多维度装箱提供了合适方案。试验结果表明,该算法可有效解决MBP问题。