基于样本空间分布密度的改进次胜者受罚竞争学习算法

针对传统次胜者受罚竞争学习(RPCL)算法忽略数据集几何结构对节点权值调整的影响,以及魏立梅等提出的新RPCL算法(魏立梅,谢维信.聚类分析中竞争学习的一种新算法.电子科学学刊,2000,22(1):13-18)引入密度来对节点的权值进行调整时,密度定义的主观性,提出基于样本空间分布密度的改进RPCL算法。该算法根据数据集样本自然分布定义样本密度,将此密度引入RPCL节点权值调整;使用UCI机器学习数据库数据集以及随机生成的带有噪声点的人工模拟数据集对算法进行实验测试,对算法确定数据集类簇数目的准确率、运行时间、聚类误差平方和、聚类结果的Rand指数、Jaccard系数以及Adjust Rand index参数进行分析比较。各项实验结果显示:所提算法优于原始RPCL算法和魏立梅算法,具有更好的聚类效果,对噪声数据有很强的抗干扰性能。所提算法不仅能根据样本的自然分布确定数据集的合理类簇数目,而且能确定合适的类簇中心,提高聚类的准确性,使聚类结果尽可能快地收敛到全局最优解。

用改进的RPCL算法提取聚类的最佳数目

对于传统的Ｋ 平均算法来说，如何选择适当类的数目是一个难以解决的问题．有人提出了次胜者受罚的竞争学习（ｒｉｖａｌｐｅｎａｌｉｚｅｄ ｃｏｍ ｐｅｔｉｔｉｖｅ ｌｅａｒｎｉｎｇ ： ＲＰＣＬ）算法试图来解决这一问题．但是，当数据类有重叠以及输入矢量含有非独立项时，ＲＰＣＬ算法的性能不能令人满意．本文提出了一种结合全协方差矩阵的ＲＰＣＬ算法，并逐步删除那些只包含少量训练数据的类．这种算法，我们称之为改进的ＲＰＣＬ算法．我们用改进的ＲＰＣＬ算法来确定高斯混合分布类的数目，并将其与原来的ＲＰＣＬ进行比较．实验证明。

聚类中心计数值和全局距离向量RPCL算法

针对标准的竞争学习算法(rival penalized competitive learning,RPCL)在问题规模较大情况下,算法收敛速度较慢以及无法精确找到聚类中心的问题,通过引入聚类中心计数值和全局距离向量的方法,提高了RPCL算法对于问题全局最优解的搜索能力,提出了一个基于聚类中心计数值和全局距离向量的RPCL算法改进。通过理论证明验证了该RPCL算法可以有效提高RPCL算法对于全局最优聚类中心的搜索能力以及聚类结果的准确性,实验结果表明了理论推导的正确性以及该算法的可行性。

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。

一种改进的RPCL算法在语音识别中的应用

提出了一种结合全协方差矩阵的RPCL算法，并逐步删除那些只包含少量训练数据的类。这种算法，称之为改进的RPCL算法。它被用于话者识别中优化椭圆基函数网络的结构。实验证明，改进的RPCL算法比原来的RPCL算法能够更好地表征类，并得到更低的误识率。

基于聚类分析和集成改进支持向量机的序列目标分类算法

针对现有集成支持向量机存在的训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于聚类分析的集成改进支持向量机算法。该方法首先采用基于对手惩罚策略的竞争学习算法(RPCL)对训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并采用了基于种群收敛速度的自适应扰动的粒子群方法来训练单个支持向量机,最后通过相对多数投票方法得到集成支持向量机。实验表明相对于基于Bagging,Adaboost等方法而言,该方法在序列目标分类中对分类精度有较大提高,该方法构造的集成改进支持向量机具有较高的分类精度和较低的时、空复杂性。

用于风电功率预测的RPCL优化神经网络模型

为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法(rival penalized competitive learning,RPCL)优化径向基函数(radial basis function,RBF)神经网络的风电功率预测模型.首先通过RPCL确定网络隐含层神经元数目以及中心点初始值,然后由K均值聚类法确定隐含层神经元的中心点和宽度,最后通过最小均值算法确定隐含层神经元与输出层神经元之间的权值.仿真结果表明:此优化模型相较于传统RBF网络具有更高的准确性.

当算法设定价格：谁输谁赢

概要数字革命通过更快的处理器、云存储和机器自我学习的进步,使企业获取、存储和分析有关其客户、竞争对手和世界上更广范围内数据的能力显著增长。越来越多的企业利用这些信息来开发为其设定价格的算法。本文1探讨了通过算法实现定价的自动化将如何影响市场竞争结果,并致使不同消费者为相同的产品或服务支付不同价格。

基于PSO-RBF NN的非线性系统辨识方法仿真研究

提出一种基于粒子群优化算法构造径向基函数神经网络进行非线性系统辨识的新方法。网络径向基层的单元数由对手受罚的竞争学习算法确定后,其他所有参数:中心位置、各向宽度、网络权值,均是在全局空间动态确定的。实例仿真证实了该方法的有效性。

逆向工程中点云孔洞修补技术研究

对于散乱点云模型上的大面积、跨面孔洞,逆向软件往往难以修补。为了提高孔洞修补精度、获得完整的点云模型,提出了对手受惩罚竞争学习算法(Rival penalized competitive learning,RPCL)和模糊C均值聚类算法(Fuzzy C-means,FCM)相结合的综合改进径向基函数神经网络(RBF)算法,建立了基于改进算法的点云孔洞修补模型,并以挖掘机斗齿和汽车模型为研究对象,利用RPCL-FCM-RBF联合算法对不同特征的点云孔洞进行了修补研究。结果表明,该算法在很大程度上提高了点云孔洞的修补精度,其补洞效果远优于逆向软件。而且,较之传统的RBF神经网络,该方法所建模型具有更高的预测精度、能够有效地调整洞口缺失数据、实现点云孔洞的精确修复,实用性强。