一种新的在线自适应混合RBF网络学习算法

针对RBF网络序贯学习算法参数多、计算复杂等问题,深入分析RBF网络隐节点贡献度计算方法,提出基于主成分和周期性的贡献度计算方法,改进RBF网络GAP学习算法,细化算法中增加、删除和替换隐节点的条件,控制隐节点数量,自适应调整RBF网络结构.实验结果表明,相比传统RBF网学习算法,该算法在可靠性和泛化能力上都有显著提高.

三角剖分以及径向基函数神经网络在星图识别中的应用

根据经典径向基函数(RBF)神经网络的优势,结合星图模式样本集的特点,设计了一种适合星图模式样本的网络训练算法。从提取星图模式入手,引入三角剖分理论,将可能出现在同一视场内的恒星以三角形的形式连接起来,提取连接的角距作为星图模式,建立了具有完备性、平移旋转不变性的星图模式样本集。然后,利用RBF神经网络做星图识别,研究顺序训练方法和批量训练方法,总结多种经典算法的优缺点,并设计了一种训练方法。通过实验证明了该种方法较其他经典算法更为适合学习星图模式样本。最后,给出RBF神经网络相关的训练数据,并通过模拟星图软件获得若干模拟星图作为观测样本,利用已经训练好的神经网络进行识别。试验结果表明,测试网络能够正确识别这些星图。

基于门控循环单元的链路质量预测

无线传感器网络中,节点传输数据时容易受到环境中噪声的干扰,使传输链路质量变差,导致数据包丢失、消息重发,从而加速节点能量的消耗,缩短网络寿命。链路质量预测可以为上层路由协议选择高质量的无线链路进行通信提供依据,通过链路质量预测选取高质量的链路传输数据,可以提高数据传输效率,减少重传次数。本文提出基于门控循环单元(gate recurrent unit,GRU)的链路质量预测方法。首先,采用Gap Statistic算法优化的Kmeans++算法,依据包接收率的分布自适应划分链路质量等级,获得链路质量样本标签;其次,选择接收信号强度均值、链路质量指示均值及信噪比均值作为输入,借助CatBoost在分类问题上的优势,构建链路质量评估模型,并采用网格搜索法对参数寻优;最后,使用滑动时间窗口构建链路质量等级时序样本集,使用GRU提取链路质量等级时间序列的时序信息,为进一步提高预测的准确率,采用支持向量回归机构建链路质量预测模型,预测下一时刻链路质量等级。本文采用真实场景中的数据进行实验,根据主要干扰源不同,选择实验室、走廊和停车场3个场景收集数据,使用均方误差评价链路质量预测模型的有效性。实验结果表明,与小波神经网络、循环神经网络和随机向量函数链等方法相比,所提方法具有更小的预测误差,可以准确预测链路质量等级。

差分拉曼光谱技术结合K-means聚类法对牙膏的快速分类

建立了差分拉曼光谱技术结合K-means聚类法对牙膏快速分类的方法。对37个牙膏样品编号,将其分别涂抹于载玻片上,晾干,使用差分拉曼光谱仪进行扫描。调用R语言软件中fpc、factoextra、cluster数据库中的na.omit和scale函数对37个牙膏样品的差分拉曼光谱数据进行标准化处理,利用手肘法和Gap Statistic算法优化聚类数。在最佳聚类数为4的条件下,通过K-means聚类法对牙膏样品进行分类,并使用层次聚类分析法进行验证。结果显示,37个牙膏样品被分为4类,并且两种方法的分类结果一致。

基于改进K-means的大气污染物高维度信息研究

对中国2013~2018年高分辨率大气污染分析开放数据集采用传统数据挖掘方法时,面临数据量大、挖掘效率低等难题,改用基于Spark K-means的聚类方法对大气污染物海量信息进行研究。以6种常见大气污染物和5种环境影响因子为例,建立了Pm_(2.5)、Pm_(10)、SO_(2)、NO_(2)、CO、O_(3)和Temp等数据维度模型。对K-means算法选择初始聚类数K值时,利用Gap Statistic算法相比传统K-means算法利用SSE算法确定K值,Gap Statistic算法在高维度样本数据模型中确定K值更合理且直观。