基于SGDM优化IWOA-CNN的配电网工程造价控制研究

为了控制配电网工程项目的成本,需准确预测配电网工程造价,本文提出一种基于带动量因子的随机梯度下降(stochastic gradient descent with momentum factor, SGDM)优化的改进鲸鱼算法-卷积神经网络工程造价预测模型。首先,考虑回路数、杆塔数、导线、地形、地质、风速、覆冰、导线截面、混凝土杆、塔材、绝缘子(直线)、绝缘子(耐张)、基坑开方、基础钢材、底盘和水泥对配电网工程造价的影响,建立了非线性函数关系;采用SGDM优化器改进的卷积神经网络对函数进行逼近,并用贝叶斯方法优化卷积神经网络的超参数;利用改进的鲸鱼算法(improved whale optimization algorithm, IWOA)优化卷积神经网络,找出卷积神经网络的最优学习率。数值算例表明,新模型预测效果较好,并提出相应的控制策略。

基于麻雀算法优化的神经网络推荐算法研究

针对大学校园信息过载,专业培养方案缺乏个性化与自主学习培养等问题,本文基于学生自主学习推荐的研究,提出了基于麻雀算法改进DNN分类推荐算法的设计,以实现更利于学生自主学习推荐培养。经对4种激活函数的训练集结果进行对比实验,选择使用Sigmoid验证集作为激活函数;在梯度下降验证集的结果对比试验,得出需要采用Adam优化器;通过常见目标函数对麻雀算法的适应性研究,得出麻雀算法适用于DNN模型的寻找最优。实验研究结论表明,基于麻雀算法优化后的DNN模型,实现了更为精准有效的推荐,很好地实现了智慧校园中基于用户画像特性化推荐自主学习的培养目标。

基于联邦学习的下肢康复评估算法与实现

为解决跨机构模型训练及康复评估的数据隐私问题,提出一种基于联邦学习的下肢康复评估算法。搭建联邦学习系统,通过客户端选择机制及量化编码压缩提高通讯效率。设计限制项随机梯度下降优化器保证本地训练时的模型收敛性,通过高斯差分隐私算法进行全局更新。在此基础上设计GRU-Inception神经网络模型,利用联邦学习系统进行训练并完成下肢康复评估任务。实验验证了该算法具有较好的康复评估效果。

基于Tensorflow框架的手写数字识别

文章利用Tensorf low深度学习结构来构建神经网络模型,并采用激活函数对MINIST进行训练;加入特征转换过程,利用梯度下降优化器,将数据降维;在输出层上将全连接模型和Softmax层相结合,经过交叉验证,达到90%以上的识别率。