基于MSOA神经网络模型的装备保障费用预测

引入基于多步骤优化方法(MSOA)神经网络模型用以预测装备保障费用。实验结果表明,与传统的ARIMA时间序列模型和常规BP神经网络模型相比,基于MSOA神经网络预测模型具有更高预测精度。因此,该模型是一种更有效的装备保障费用预测模型。

5 nm MSOA RapidPDK及物理实现

随着当今电子行业的发展,对SoC芯片,尤其是数模混合芯片的要求越来越高。和传统的DEF/GDS数据交互方式相比,Mixed Signal Open Database(MSOA)RapidPDK可以帮助设计人员通过相同的PDK更好地完成数字工具Innovus和模拟工具Virtuoso之间的数据传递。首先描述了5 nm MSOA RapidPDK生成方式,其次使用生成的PDK实现5 nm IP物理实现,同时验证MSOA flow对5 nm设计在版图完成和交付方面的速率提升。

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi_stage optimization approach,MSOA)的GA人工神经网络,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构.针对复杂系统建模输入节点难以确定的问题,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.

基于Android的对外汉语移动学习平台的设计与实现

根据移动学习和语言学习的特点,从软件设计与开发的角度,利用Flash技术,对基于Android对外汉语移动学习平台的设计与实现进行了研究。文章阐述了基于移动服务导向架构(MSOA)设计开发汉语移动学习资源的过程,利用微软的speech-to-text、text-to-speech技术,使学习者通过听、说、读、写来提高汉语学习者的语言运用能力,丰富了汉语移动学习资源开发的视野及移动学习者的学习内容。

基于改进搜索者算法的IIR滤波器设计

在无限冲击响应(infinite-impulse-response,IIR)滤波器设计中,针对非线性且多峰的系数误差面,采用改进的搜索者算法(modified seeker optimization algorithm,MSOA)求得系数的最优解。MSOA算法通过在SOA(seekeroptimization algorithm)中引入自学习过程以降低收敛于局部最优的概率,并通过增加淘汰机制提高种群多样性,从而提高了收敛于全局最优解的有效性。仿真结果表明,MSOA较SOA在搜索全局最优解方面具有更高的精确性;在减少种群数的情况下,MSOA较SOA具有更好的稳定性,其优势更明显。SOA可以看成是MSOA的一个特例,MSOA的最简形式即为SOA。根据具体问题灵活调整自学习过程的规模,实现收敛速度和精度的权衡,达到最优搜索效率。