基于支持向量机的缺陷识别方法

针对传统缺陷检测存在的检测手段落后、工序繁琐、准确率低、不易在线实施、受人为因素影响 ,以及用人工神经网络对小样本事件进行缺陷识别存在的过学习、推广性差等问题 ,从数据挖掘的角度 ,提出了直接从形成缺陷的影响因素着手 ,先消除工艺参数的冗余和噪声 ,再运用支持向量机分类算法 ,进行自动缺陷识别的新方法。通过具体的试验表明 :该方法具有成本低廉、准确率高、推广性强。

基于混合遗传算法的多播路由多目标优化

互联网不断增长的多媒体应用引发人们研究如何满足这些应用的服务质量(QoS)约束。目前网络中多主机之间的多播通信一般需要严格的多个QoS保证,文中描述了一种适应于研究多播QoS路由多目标优化的网络模型,在此基础上提出了基于遗传算法和禁忌搜索混合策略的,具有多目标的多播路由QoS优化方法,以克服遗传算法的爬山能力差以及不成熟收敛等问题。此外还采用了改进的多播树编码方法及高效的遗传操作,同时还优化时延、丢包率和带宽利用率等不同的参数。实验结果表明,该算法为多播路由QoS多目标优化问题的求解提供了一种有效的新途径。

RBF神经网络在转炉提钒预报中的应用

该文用RBF神经网络建立了转炉提钒冷却剂预报模型。RBF网络的中心的选取采用了可以在线学习的最近邻聚类算法。为了进一步优化网络中心 ,提出了基于密度排名的最近邻聚类算法。该算法聚类前先将样本按其在样本空间的密度进行了排序 ,聚类过程始于样本空间最密集处。实践证明 ,该算法应用于提钒冷却剂预报模型的建立是合理的 ,可行的。

基于GRBF神经网络的脱硫预报模型

脱硫过程是一个复杂的非线性系统,文章建立了一个基于RBF神经网络的脱硫预报模型,并提出使用GRBF算法,从而较好地解决了传统RBF神经网络中心难于确定,存在过拟合的缺点。实践证明,该算法应用在脱硫预报模型的建立中是合理的、可行的。