一种模糊神经网络的快速参数学习算法

提出了一种新的模糊神经网络的快速参数学习算法 ,采用一些特殊的处理 ,可以用递推最小二乘法 (RLS)来调整所有的参数 .以前的学习算法在调整模糊隶属度函数的中心和宽度的时候 ,用的是梯度下降法 ,具有容易陷入局部最小值点、收敛速度慢等缺点 ,而本算法则可以克服这些缺点 ,最后通过仿真验证了算法的有效性 .

贝叶斯网学习算法模型及参数学习算法

1 引言近年来,贝叶斯网(又称随机信息网)作为处理人工智能中不确定性问题的建模工具受到学术界的广泛关注,并成功地应用在医学诊断、模式识别、故障诊断各个方面。作为一种有向图表示的建模方法,贝叶斯网由于其表达方式自然、紧凑,深受知识工程师喜受,已广泛地用于知识获取和表示。但是,利用专家知识构造贝叶斯网是一件烦琐的工作,特别是网络节点数很大时更是这样。因此,利用数据例子,通过学习自动生成贝叶斯网的方法日益受到重视。

模糊逻辑系统的一种自适应参数学习算法

根据自适应模糊逻辑理论以及基于导数的参数优化方法,分析了模糊逻辑系统常规参数优化算法存在的不足,从改善模糊系统的参数训练步长的角度着手,对其常规的最速下降算法进行了改进,提出了一种新的自适应模糊逻辑系统参数学习算法,并对该算法的推导过程进行了具体的分析和描述。最后,针对一非线性函数逼近问题,对该算法进行了验证,仿真的逼近精度和收敛速度都获得了提高,表明本文提出的模糊逻辑系统自适应参数学习算法是可行和有效性的,且能够克服常规参数优化算法中存在的某些不足。

基于鲁棒成本函数的随机模糊神经网络参数学习算法

为了解决采用最小方差型的误差成本函数进行输入含噪系统参数学习时的随机模糊神经网络(SFNN)参数不能收敛至真值的问题,将包含噪声方差的误差成本函数推广到多入单出系统,并根据鲁棒统计学理论和目标函数在参数学习中的导向作用,对目标函数进行修正,使之对于不服从统计分布的粗大误差也能有效处理.在此基础上提出了SFNN的鲁棒参数学习算法,并且输入输出数据中的噪声方差也通过学习而得到,从而避免了需要多次测量的要求.结果表明,SFNN的鲁棒参数学习算法能抑制粗大误差和系统噪声.最后,通过仿真对比验证表明了该方法的有效性.

一种基于目标规划的AHP参数学习算法

为提高采用层次分析(AHP)算法辅助采购决策问题的准确性,针对用户的最终选择与模型推荐结果的不一致,该文采用目标规划方法对AHP模型参数权重进行学习。通过理论分析和实例说明了算法的可行性,并将算法初步应用于某摩托车电子商务平台供应商选择决策支持系统。这种基于目标规划的AHP参数学习算法可通过多次学习积累采购者的评价习惯,弥补行业性电子商务平台一般性决策支持工具的不足,也可以用于其它决策支持领域相近问题。

神经网络基于规划的结构—参数学习算法

结构学习是用神经网络解决问题的关键所在.结构学习比参数学习更困难,其本身就包含有参数学习的过程.本文讨论前馈网络的结构学习问题,在网络结构分析的基础上,应用数学规划技术,给出一种融结构学习和参数学习为一体的算法.所给的算法往往能求到最优结构的网络.

基于顾客到达和购买数据的新品广告预算分配学习算法

新产品上市导入期,企业通常会设定一定预算进行广告营销。该时期产品的销售过程可划分为“获客”和“转化”两个阶段,广告首先将潜在消费者引流到消费平台上,消费者再根据产品特性以一定概率达成购买行为。由于欠缺历史数据,企业难以评估消费者对新产品广告投入的反应以及产品本身对消费者的吸引力。为解决给定广告总预算和总库存约束的新产品推广期广告预算分配问题,提出了一种利用顾客到达和购买数据,同时学习顾客到达人数与广告投入的关系以及顾客购买概率(转化率)的非参数学习算法。从理论上证明了预算分配策略的渐进最优性质,并通过数值实验验证了策略在多种场景下的性能,说明了策略的鲁棒性。

基于非参数因果网络的风险溢出分析及多因子预测

风险溢出是系统性金融风险产生和演化的核心动因,因此,探究风险的溢出路径与强度至关重要.为了弥补传统方法在维度与参数上的局限,本文将非参数条件互信息检验与因果网络结构学习算法相结合,提出了一种新的非参数高维因果网络构建方法来分析金融系统波动溢出的动态联动性和风险传递机制.此文在非线性合成数据集中验证了该方法的有效性和稳健性并根据因果拓扑关系构造最优预测子集对序列进行多因子预测.并将该模型应用于构建2013年1月至2019年12月期间全球81家能源公司日度股票收益的波动溢出网络,测量基本面与投资者两种维度的风险溢出强度动态变化并进行预测分析.此外,结合企业财务数据和宏观经济变量,考虑企业之间的业务异质性,探索风险溢出的决定因素.研究结果表明,1)能源产业链的上游以及高油价风险敞口的能源企业表现出较大的风险外溢效应和风险承受程度;2)除公司规模以外,企业资产收益率,边际收益等因素也影响溢出效应的强弱;3)能源公司的风险溢出在业务上存在很大差异,溢出驱动因素也有所不同,这对于在投资组合决策和监管政策设计等具有重要的参考价值;4)虽然因果预选信息选择策略结合非参数模型的短期预测效果要优于结合参数模型,但是随着预测步长的增加,参数模型的优势却更明显.

基于POPOV超稳定性定理的神经元智能控制

研究一种渐近超稳定的神经元智能控制器结构．基于ＰＯＰＯＶ超稳定性定理，提出一种能保证控制系统渐近超稳定的控制器参数学习算法．针对神经元智能控制的直流全数字调速系统做了仿真实验，给出了仿真结果．

带有舵机特性的船舶航向自动舵DSC-MLP设计

为了研究船舶航向非线性系统的自适应自动舵跟踪控制问题,采用T-S模糊系统逼近模型不确定性,将动态面控制与最少学习参数算法结合,提出了一种自适应模糊跟踪控制算法.该算法学习参数少、计算量小,易于工程实现;并且能够避免可能存在的控制器奇异值问题.同时,该算法保证了闭环系统的稳定性,能够使得航向跟踪误差任意小.仿真结果验证了控制器的有效性.

基于模糊神经网络的废旧手机价值评估方法

针对废旧手机回收过程中难以精准定价的问题,提出了一种基于模糊神经网络(fuzzy neural network,FNN)的价值评估方法.首先,设计了一种基于主成分分析(principal component analysis,PCA)的特征提取方法,获得了影响废旧手机回收价值的关键特征变量.其次,建立了基于FNN的价值评估模型,实现了回收价值与关键特征变量之间的非线性关系描述.最后,提出了一种自适应二阶参数学习算法(adaptive second-order parameter learning algorithm,ASOPLA),实现了价值评估模型自适应调整.将提出的价值评估方法应用于实际交易过程,结果表明,基于FNN的价值评估方法能够实现对废旧手机的准确定价.

带有舵机特性的船舶航向自动舵实用设计

为研究船舶航向非线性系统自适应自动舵跟踪控制问题,采用模糊系统逼近模型不确定性,将动态面控制与最少学习参数算法结合,提出一种自适应模糊跟踪控制算法.该算法只有1个学习参数,计算量小,易于工程实现,可避免可能存在的控制器奇异值问题.同时,该算法可保证闭环系统的稳定性,使航向跟踪误差任意小.仿真结果验证了控制器的有效性.