基于数字相关法初始值优化的微悬臂梁弯曲变形与应变测量方法

提出了一种基于数字相关法初始值优化的微悬臂梁弯曲变形与应变测量方法.基于放大的微悬臂梁表面的纹理特征,在尺度空间内进行特征点的测量与匹配,在特征点处进行高阶的数字相关法计算以得到变形参数;将特征点处的变形参数进行二维插值运算以得到任意像素点处变形参数的初始值;采用牛顿拉普森迭代方法计算在特定网格点处的变形参数,进而得到网格点处的位移和应变.通过仿真变形图像的计算结果来确定数字相关法的设定参数,对实际的微悬臂梁变形图像进行应变场计算,并与有限元法的计算结果进行比较,以验证所提出方法的有效性.

基于初始值优化的灰色马尔科夫链预测模型研究

在传统灰色GM(1,1)预测模型的基础上,首先对预测模型的初始值进行优化,然后采用马尔科夫链对优化后的模型进一步改进,建立了一种基于初始值优化的灰色马尔科夫预测模型,优化后的模型可以有效提升预测的准确性和稳定性.最后通过对宁德市旅游入境总人数的实例分析,验证了新模型的有效性,拓展了灰色预测模型的应用范围,为宁德市旅游事业的发展提供了一种新方法和新思路.

优化初始值的K均值中文文本聚类

文本聚类是中文文本挖掘中的一种重要分析方法。K均值聚类算法是目前最为常用的文本聚类算法之一。但此算法在处理高维、稀疏数据集等问题时存在一些不足,且对初始聚类中心敏感。本文针对这些不足,提出了用特征词向量空间模型来降低向量的维数;并提出一种新的优化初始聚类中心的算法,即根据文章的特征词选择有代表性的初始聚类中心。实验表明特征词向量空间模型和优化初始聚类中心的算法能降低计算复杂度,增强结果的稳定性,并产生质量较高的聚类结果。

基于优化初始值的GM(1,1)模型及其在大坝监测中的应用

传统的GM(1,1)模型通常以第1点作为初始值来确定积分常数C,缺少一定的理论依据。文中就GM(1,1)模型初始值的优化选取进行了深入的探讨,提出建模方差的概念。依据建模方差2δ最小的原则,对传统GM(1,1)模型的初始值进行改进,提出基于优化初始值的GM(1,1)模型。在大坝变形监测数据分析中应用优化的GM(1,1)模型,采用C++语言编程建立了相应的预测模型。大量的数据分析计算表明,优化的GM(1,1)模型预报精度优于传统的GM(1,1)模型和多项式拟合模型。

基于优化初始值的GM(1,1)模型在大坝变形监测中的应用

传统的GM(1,1)模型通常以第1点作为初始值来确定积分常数C,缺少一定的理论依据。该文就GM(1,1)模型初始值的优化选取进行了深入的探讨,提出建模方差的概念。依据建模方差最小的原则,对传统GM(1,1)模型的初始值进行改进,提出基于优化初始值的GM(1,1)模型。在大坝变形监测数据分析中应用优化的GM(1,1)模型,采用C语言编程建立了相应的预测模型。大量的数据分析计算表明,优化的GM(1,1)模型预报精度优于传统的GM(1,1)模型和多项式拟合模型。

对K-means聚类算法初始值的研究

传统的K-means聚类算法属于典型的基于划分聚类算法,算法的实现过程简单易懂,聚类效果不错,因此被广泛使用。但是,因为传统K-means的初始值是随机选定的,使得聚类结果不稳定,受初始值影响较大。针对上述问题,该文对传统的K-means算法中随机选取初始值改进,对样本值增加进行预处理,首先对样本值多次取数,对采样数据集进行初次K-means运算后获得聚类结果,从聚类结果中取距离最大的k个聚类中心作为初始值。通过Iris数据集对改进算法进行验证,聚类效果有较好的提高。

基于双向差分建模的优化GM(1,1)模型及其在中长期电力负荷预测中的应用

针对电力负荷预测,论述了一种基于双向差分计算的GM(1,1)建模方法,采用向前差分与向后差分建模的拟合误差平方和最小的原则进行参数估计。为了进一步提高GM(1,1)模型的拟合及预测精度,利用拟合值和原始值误差平方和最小的原则对预测模型的初始值进行了优化,摆脱了原有模型的初始值必经过历史数据中的某一点的束缚。以太原地区电力负荷和重庆地区的农村用电量为例,采用了几种典型GM(1,1)模型进行了拟合和预测对比分析,结果表明所提出的优化GM(1,1)模型的拟合、预测精度更高,适应性更强。

一种文化算法优化

工程中复杂的优化问题很难获得其解析解,通过数值计算方法去获取数值解容易陷入局部最优解。为提高求解高维问题数值最优解的速度和准确性,在传统文化算法基础上将种群分为精英群体和普通群体,分别按照不同的方式进化并对种群做初始化优化,通过MATLAB编程用实例分别对优化前后的算法进行仿真。实验表明,优化后较优化前在速度上有较大的提升,进行初始化改进的文化算法在高维优化问题中能更快、更准确地逼近最优解,为求解复杂的问题提供了一种新的参考方法。

Verhulst模型优化及其在建筑物沉降监测中的应用

针对经典Verhulst模型背景值建模机理的不严密和初始值设定的不科学性,给出了灰导数改进模型及模型参数的最优估计式。采用原始数据一次累加与其拟合值的残差平方和最小作为约束准则,推导出虚拟初始值的计算公式,建立了无需设定初始值约束的优化模型,并以南水北调工程沉降监测实例验证了模型预测精度,为沉降监测中长期预报建模提供了合理的解决方案。

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络在入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,提出改进天牛群算法(beetle swarm optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测。仿真实验结果表明,优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。

改进的HS算法优化BP神经网络的入侵检测研究

基于传统BP神经网络的入侵检测中,BP神经网络算法模型存在着易陷入局部最优且初始值随机性较大的缺陷。初始值的选择直接影响到BP神经网络的训练效果,较好的初始值有利于BP神经网络跳过局部最优,从而提高训练效率。针对BP神经网络的缺陷,提出了用改进的和声搜索算法对BP神经网络的初始值进行优化,使得BP神经网络得到一组较优的初值的方法。实验结果显示,改进的和声搜索算法具有更高的适应度函数值,将该算法优化的BP神经网络用在入侵检测中,能够显著提高算法检测率和收敛速率。

改进Verhulst模型的铁路客运量预测研究

针对传统Verhulst模型在选取背景值缺乏合理性和科学性的不足之处,文中提出一种相对严谨的初始值选取优化模型,在已有的无须设定初始值约束的优化模型下进行进一步改进,并以铁路客运量数据为测试数据,研究两种优化模型的优缺点及适用范围。实验结果表明,文中提出的初始值优化模型在原始数据呈现非线性曲折状态时预测精度相对已有的优化模型更高,但在原始数据曲线相对平滑时,预测精度低于已有的优化模型。

Verhulst优化模型的建筑物沉降监测

针对经典Verhulst模型背景值建模机理的不严密和初始值设定的不科学性,该文给出了灰导数改进模型及模型参数的最优估计式。采用原始数据一次累加与其拟合值的残差平方和最小作为约束准则,推导出虚拟初始值的计算公式,建立了无须设定初始值约束的优化模型。以南水北调工程沉降监测实例,比较了在3种背景值构造方法和两种初始值约束条件下的预测精度。结果表明,该文提出的初始值优化模型与灰导数法构造背景值,所得残差的平方和最小,从而验证了优化模型的可行性,为沉降监测中长期预报建模提供了合理的解决方案。