改进的遗传算法及其在多目标优化设计中的应用

遗传算法是一种模拟自然界进化过程的启发式优化计算算法,具有高效及可收敛到全局最优点的特点。文中针对遗传算法局部搜索能力弱的特点,将其与梯度下降法结合,提高其局部搜索能力,并进行了测试。然后结合一多目标工程问题进行了优化计算,结果表明此算法可有效解决工程问题的优化。

加权平均的权重优选算法及其应用

通过分析指标值与目标期望值,提出加权平均优选权重的算法。为解除权重的两个约束条件,引入参数,采用e指数函数定义权重。运用最优梯度下降法使目标的计算值与期望值误差最小来迭代优选权重,建立迭代算法模型。将此算法应用于计算龙凤山水库的流域日平均降水量,改进传统计算方法的不足。经过迭代模型对参数率定与检验的误差分析,总误差及每个样本的误差比泰森多边形法的误差明显减小,说明本文提出的算法与应用是科学合理的,便于推广应用。

基于改进算法的BP神经网络在故障诊断中的应用

BP神经网络凭借其自身的优势被广泛的应用于故障诊断领域,本文介绍了有动量梯度下降法的BP神经网络,在分析故障诊断机理的基础上建立了BP神经网络模型,然后通过模型对某型装备进行故障诊断,并运用Matlab软件进行仿真得出结果。

瑞利衰落信道下基于平均速率安全性能分析

针对现有的物理层安全技术缺乏以瑞利衰落信道为研究背景的安全性能分析,建立瑞利衰落信道下的窃听模型,首先分别用平均解码速率和平均发送速率来衡量传输系统的有效性和安全性,并推导其解析表达式。然后,将传输系统有效性和安全性的折中问题建模为多目标优化问题,通过线性加权和法进一步将其转化为单目标优化问题,并给出基于梯度下降法的最优发送速率求解算法。最后,通过数值仿真分析信号发送速率、窃听者位置、循环迭代次数等因素对系统安全性能的影响。

一种基于模型的位姿求取方法

研究了应用在主动视觉测量系统中的一种基于模型的位姿求取方法 .本方法首先给出物体的假想位姿 ,求出各点到物体的表面的距离 ,调整物体的位姿使距离的平方和达到最小 ,即可求得物体的实际位姿 .本文对具体算法进行了详细的推导 。

基于完备模糊规则集的混沌时间序列预测

基于数据挖掘思想,使用置信度度量和改进的梯度下降法,提出一种新的构造完备模糊规则集的方法来建模和预测混沌时间序列。所提方法通过确定最优输出模糊子集的质心和模糊规则的置信度度量,能够推理数据未覆盖区域的空缺规则,并构造一个完备的模糊规则集,进而解决了混沌时间序列的可预测问题。仿真结果表明新方法是有效和准确的。它能很好地辨识系统的特征,并且提供了一种混沌时间序列预测的新方法。

存在主动干扰窃听方时的物理层安全性能分析

针对具有主动干扰能力的窃听方严重威胁通信安全,分析了三节点网络下的系统安全性能,为进一步研究该场景下的物理层安全方法指明方向。首先,建立一个三节点复高斯窃听模型,推导安全速率的解析表达式,然后将窃听方的窃听和干扰威胁建模为以安全速率为目标函数的优化问题,进一步将该双自变量最优化问题化简为单自变量最优化问题,并给出基于梯度下降法的最优分配系数求解算法。最后通过数值仿真分析物理层安全性能与窃听方位置、功率和最优分配系数等因素之间的关系,得出经过30次的循环迭代后算法能获取最优解。

基于神经网络的HRG标度因数辨识方法

惯导系统要求半球谐振陀螺仪在其大的动态范围内具有较高精度,而传统的基于最小二乘拟合的半球谐振陀螺仪标度因数辨识方法所得到的标度因数精度不高,引起较大的导航误差。为提高半球谐振陀螺仪标度因数的辨识精度,文中提出了一种基于神经网络的标度因数辨识方法,利用神经网络误差反传的梯度下降动量学习算法,对半球谐振陀螺仪的标度因数进行辨识,通过试验验证了该方法的可行性,为提高半球谐振陀螺仪工作精度,减小惯导系统导航误差提供了依据。

基于二阶导数的优化算法

本文针对梯度法收敛速度慢，易于陷入局部极值的缺点。提出了一种新的基于二阶导数的下降方向，由此导出了新的优化算法即ND算法。该算法计算简便，收敛速度较梯度法快。实例验证效果较好。

基于混合进化算法的RBF神经网络时间序列预测

提出一种基于梯度下降法的混合进化算法,用于确定径向基函数(RBF)神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力.

基于harris-like角点算子的指纹分离

Harris-like角点算子用于检测图像中的交角,而重叠指纹图像则由于指纹与背景纹理的重叠产生了大量的额外的交角,因此为了实现指纹分离,首先采用梯度下降法使得指纹图像的harris-like角点算子最小,然后加入全变差调整,更好地指导分离过程。MATLAB仿真结果表明,此算法能够实现指纹分离。