<html dir="ltr"><head><title></title></head><body>针对全连接BP 网络在解决大规模复杂问题时存在的收敛速度缓慢等问题, 提出一种功能分区的BP 网络结
构模式. 利用RBF 神经元的物理特性对输入样本空间进行分解, 并将分解后的样本送给不同的子BP 网络学习. 与
全连接BP 网络相比, 降低了网络在学习过程中的权值搜索空间, 提高了学习速度, 改善了网络泛化性能, 体现了人
脑在学习过程中的知识积累特征. 对三维墨西哥草帽函数逼近和双螺旋分类的实验结果表明, 该网络能够解决全连
接BP 网络不能有效解决的问题. </body></html>
构模式. 利用RBF 神经元的物理特性对输入样本空间进行分解, 并将分解后的样本送给不同的子BP 网络学习. 与
全连接BP 网络相比, 降低了网络在学习过程中的权值搜索空间, 提高了学习速度, 改善了网络泛化性能, 体现了人
脑在学习过程中的知识积累特征. 对三维墨西哥草帽函数逼近和双螺旋分类的实验结果表明, 该网络能够解决全连
接BP 网络不能有效解决的问题. </body></html>
2022-07-09 11:08:29
254KB
1
针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题，提出了一种基于改进的非支配排序遗传算法（non-dominated sorting genetic algorithm-Ⅱ，NSGA-Ⅱ）多目标优化方法。以多目标优化遗传算法为基础，多输入多输出的反向传播（back-propagation，BP）神经网络为适应度函数评价体系，保证算法快速收敛并搜索到全局最优解集。该算法在建模前对实验数据进行主成分分析，降低了运算时间和算法难度，通过在遗传进化过程中引进正态分布交叉算子（normal distribution crossover，NDX）和改进的自适应调整变异算子，实现了多个目标同时取优，保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集，通过与其他常用的多目标优化算法对比，验证了改进的NSGA-Ⅱ算法精确度更高、收敛速度更快、稳定性更强。
2021-12-17 15:53:52
1.06MB
1
本文从交互式遗传算法的基础理论、算法性能改进和实验平台3个方面进行研究。
在基础理论方面，首先研究交互式遗传算法的特征，分析用户偏好扮演环境角色、环境漂移特点、个体适应值随进化代数变化以及适应值噪声等问题；其次，基于关系代数建立交互式遗传算法模型，并对交互式遗传算法的各个要素进行抽象描述。
在算法性能改进方面， 主要从缩小搜索空间角度和机器代替用户角度进行研究。首先从缩小搜索空间角度提出两种改进方法：第一种是基于灭绝机制的优胜劣汰牵制策略，重点给出基于禁忌值的物种灭绝和基于无重复原则的个体灭绝机制，给出优胜劣汰牵制策略，并分析算法性能与参数的关系；第二种是基于求同算子的自适应分层方法，给出基于求同算子的自适应分层判定， 以及分层基因意义单元段的自适应选定方法。其次，从机器代替用户角度，提出基于基因意义单元“适应值”的个体适应值估计和最优个体估计方法。
在实验平台方面， 给出实验对象和实验方法以及实验平台功能和使用方法等。
2021-10-06 00:02:29
1.07MB
1
为快速而准确地得到稠密视差图,提出了一种基于限制搜索空间的动态规划立体匹配算法。该算法以动态规划立体匹配方法为基础,通过初始匹配序列限制搜索空间以减少搜索变量个数。同时,提出一种基于自适应权重的多窗口累积策略来提高匹配精度,并在平滑性限制中引入亮度梯度以避免在物体边界的视差不连续处产生过度惩罚。实验结果表明,该匹配算法在匹配速度和匹配精度上都有很大的提高,是一种简单有效的立体匹配算法。
2021-02-21 09:08:15
539KB
1