基于兴趣值的适应度模型的研究

提出了一种基于兴趣的网络模型,通过给每个网络中已存在的节点分配一个兴趣值,兴趣值与该节点的适应度和节点的度有关.重新建立网络模型,实验结果表明,该网络具有幂律分布.

基于参数提取算法的拥塞网络多属性资源调度域划分

为解决拥塞传输环境中多属性资源数据利用效率低、信息消耗成本高的问题,给出一种解决方法。首先,以云计算服务平台作为拥塞网络资源调度的主机平台,按照多属性数据的编码原理,实现对网络适应度数值的初步评估;其次,完成网络拥塞资源定义与建模,并采用参数提取算法确定多属性资源的调度参数实值;最后,借助域控制主体相关的输入、输出条件,实现拥塞网络多属性资源调度域划分。实验研究发现,与传统资源调度域划分方法相比,应用新型资源调度域划分方法后,多属性资源数据参量的最高时效利用率超过95%,而单频网络拥塞时长缩短至0.71 s。

基于灵敏度分析的模块化回声状态网络修剪算法

针对回声状态网络(Echo state network, ESN)的结构设计问题,提出基于灵敏度分析的模块化回声状态网络修剪算法(Pruning algorithm for modular echo state network, PMESN).该网络由相互独立的子储备池模块构成.首先利用矩阵的奇异值分解(Singular value decomposition, SVD)构造子储备池模块的权值矩阵,并利用分块对角阵原理生成储备池.然后利用子储备池模块输出和相应的输出层权值向量,定义学习残差对于子储备池模块的灵敏度以及网络规模适应度.利用灵敏度大小判断子储备池模块的贡献度,并根据网络规模适应度确定子储备池模块的个数,删除灵敏度低的子模块.在网络的修剪过程中,不需要缩放权值就可以保证网络的回声状态特性.实验结果说明,所提出的算法有效解决了ESN的网络结构设计问题,基本能够确定与样本数据相匹配的网络规模,具有较好的泛化能力和鲁棒性.