本文提出了一种新型的两阶段集成方案集成反向传播（TP-ES-BP）算法，可以大大减轻标准BP（SBP）算法的局部极小问题，并克服了单个成分BP在分类性能上的局限性通过集成Ensemble方法。 三组模拟实验的经验和t检验结果，包括ORL人脸图像数据库上的人脸识别任务以及从机器学习数据库的UCI存储库中抽取的数据集上的四个基准分类任务，表明TP-ES-BP算法取得了显著成效与SBP和最新的情绪反向传播（EmBP）学习算法相比，识别结果更好，泛化性能更高。
2021-03-14 10:06:11
2MB
1
大规模优化问题出现在各个领域。 将大规模问题分解为与变量交互有关的小规模子问题并进行协作优化是优化算法中的关键步骤。 为了探索变量交互并执行问题分解任务，我们开发了两阶段的变量交互重建算法。 提出了一种学习模型，以探索部分可变相互作用作为先验知识。 提出了一种边缘化降噪模型，以使用先验知识构造整体变量交互作用，利用该知识将问题分解为小规模模块。 为了优化子问题并缓解过早收敛，我们提出了一种协作式分层粒子群优化框架，在该框架中，设计了应急领导，交互认知和自我导向开发的算子。 最后，我们进行理论分析以进一步理解所提出的算法。 分析表明，如果正确分解问题，该算法可以保证收敛到全局最优解。 实验是在C
2021-02-25 16:06:30
1.5MB
1
为了辨识一类非线性Hammerstein-Wiener系统，基于递推贝叶斯算法和奇异值分解，提出了一种两阶段在线辨识算法。该算法首先利用递推贝叶斯算法估计乘积项参数，然后利用奇异值分解得到待估计参数。仿真结果表明，所提算法可以较小的计算量获得精度较高的参数估计值。
2020-01-03 11:39:33
1.11MB
1