量子遗传神经网络语音水印算法

传统的BP神经网络通常以梯度下降法作为训练搜索算法,极易陷入局部最优。本文将量子遗传算法引入到神经网络,提出了一种改进量子遗传算法优化BP神经网络系数的语音水印算法。首先利用改进量子遗传算法的良好全局搜索特性,优化BP神经网络的初始系数找出粗略解,然后采用梯度算法精细搜索出神经网络的最优权值和阈值系数,提高网络的收敛精度。理论分析和实验仿真表明,与传统的BP神经网络和遗传算法优化神经网络系数相比,本文提出的神经网络输出误差更小,有更大的水印容量。      

梯度策略自适应差分进化算法

差分进化算法是一种有效求解全局优化问题的方法,为进一步提高求解精度,加快求解过程,文中提出一种梯度策略自适应差分进化算法。该算法是在差分进化算法中加入梯度下降法,使其不仅有较好的全局搜索能力,且具有传统优化方法的快速局部搜索能力,因此具有较高搜索精度和较快的搜索过程。通过对CEC2005测试集中的1～14号测试函数进行仿真实验,并与SaDE,NSDE以及CMAES等算法实验结果进行了对比,结果表明了该算法的有效性。     

利用遗传算法搜索全局最优的一种混合算法

该文提出了一种基于遗传算法与梯度法相结合的混合优化搜索方法。该算法能帮助梯度法跳出局部最优,获得全局最优解,并对算法的收敛性进行了证明。最后给出的仿真结果表明了算法的有效性。     

一种新的量子神经网络训练算法

量子神经网络是一种借鉴量子理论中的态叠加思想而设计的单隐层前馈神经网络,其主要用于数据分类。由于采用多层激励函数神经元,并且在量子间隔训练中采用了新的目标函数,即同类输入数据的隐层节点输出方差最小,从而使量子神经网络具备了发掘不同类别数据间模糊性的能力。但由于训练时对量子神经网络权值和量子间隔使用了不同的目标函数,使迭代过程中两者不可避免的会出现相互冲突,从而导致训练迭代次数的增加和网络性能的下降。本文借鉴约束优化理论,在两个目标函数的梯度下降求解中引入了惩罚函数,提出了一种新的量子神经网络训练算法,消除了两个目标函数间的冲突。实验结果表明,本文提出的训练算法可以显著提升训练的速度和网络的性能。      

一种用于曲线预测的混合神经网络算法研究

为了克服标准BP神经网络在数据预测中存在的缺陷,提出了一种结合基因表达武编程和BP神经网络算法的混合算法.该算法分为两个阶段,第一阶段,利用GEP独特的编码方式来代替随机设定神经网络结构的选择和初始权阚值的设定;第二阶段,用梯度下降法在已经用基因表达式编程方法确定好的搜索空问中和网络结构中对网络进行进一步的精确训练.将此混合算法用于测井曲线的预测中,同时将结果和基因表达式编程方法、BP神经网络方法进行了比较,证明了该算法可以克服BP神经网络的缺陷,并且优化后的BP神经网络收敛速度快,预测精度高.     

RBF神经网络的梯度下降训练方法中的学习步长优化

梯度下降法是训练ＲＢＦ神经网络的一种有效方法。和其他基于下降法的算法一样,ＲＢＦ神经网络的梯度下降训练方法中也存在学习步长的取值问题。本文基于误差能量函数对学习步长的二阶Ｔａｙｌｏｒ展开,构造了一种优化学习步长的方法,进行了较详细的推导：实验表明,本方法可有效地加速梯度下降法的收敛速度、提高其性能。该方法的思想可以用于其他基于下降法的学习步长的优化中。     

一种自适应FIR滤波的新方法——几何中心法

传统的自适应方法一般采用梯度下降法搜索最佳权,但梯度法的性能对步长敏感。本文介绍一种全新的、无需步长选择的稳定收敛的ＦＩＲ方法。该方法采用几何中心法进行递推。仿真结果表明由该方法导出的算法性能很好。     

一种新的区间-遗传算法

针对传统区间优化算法求解高维问题耗时的缺点,本文将区间算法和遗传算法进行融合,给出了一种区间-遗传算法,该算法保留了传统区间优化算法简单、对问题本身信息要求不高的优点.重要的是在每次迭代中区间算法为遗传算法的搜索提供可靠区域,同时遗传算法为区间算法的区间分裂提供了一个方向、为区间删除给出了问题全局最优解的一个上界.最后给出了算法的收敛性证明,数值实验表明该算法相比传统区间优化算法有较高执行效率.     

基于混合遗传算法的多目标问题规划

遗传算法在问题优化中的应用已有了许多研究，但对于大型多目标规划问题而言，由于其问题特性和计算量大而限制了遗传算法的应用。为探索新的问题求解方法，提出了一种基于遗传算法和梯度算法的问题优化混合算法。用梯度法每次迭代得到的结果来改进遗传算法的群体，而用遗传算法的最优个体与梯度算法的迭代解相比较，选择其中的最优点作为梯度法下一步迭代的初始点。通过保持迭代过程的最优解，加快了搜索速度，并保证收敛于全局最优解。算例表明该方法兼具遗传算法的全局搜索能力和梯度算法的局部搜索的特点，且具有良好的工程适应性。     

基于遗传算法的神经网络二次训练算法

为克服和改进传统的BP算法的不足,发挥神经网络和遗传算法各自的优势,本文提出了一种基于遗传算法的人工神经网络二次训练方法.本方法将遗传算法应用于神经网络的权值训练中,并用神经网络二次训练得到最终结果,降低了计算时间,是一种比较有效的方法.     

一种基于排序操作的进化算子自适应遗传算法

提出了一咱基于排序操作的进化算子自适应的遗传算法,该算法中,每个体按适应值大小进行排序,个体的选择、交叉、交异算子的概率根据个体排序值来自适应地确定,其中选择概率还随进化过程而调节,利用Ｍａｒｋｏｖ链的分析法证明了该算法的全局收敛性,最后,实验结果表明该算法同传统的遗传算法相比不仅能收敛到全局最优解,而且具有交快的收敛速度。     

基于树型编码的MRST混合遗传算法及其并行处理

提出一个关于最小矩形边斯坦纳树（ＭＲＳＴ）的混合遗传算法。该算法根据ＭＲＳＴ问题的特点,采用了树形结构编程方案以及相应的遗传操作方法,在群体设定时均匀划分空间,依据遗传群体的环境参量动态地调整遗传算法的进化策略;在执行遗传操作时与爬山法相结合,在群体更新时引进模拟退火更新机制,大大加强其寻优能力。最后,提出了该算法基于ＭＩＭＤ模型的扩展分布式并行算法。算法复杂性分析以及实验结果表明该算法有效。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

一种改进的TOA/AOA混合定位算法

在蜂窝网络中利用电波到达时间（TOA）对移动台（MS）进行定位估计时，也可利用服务基站（BS）提供较准确电波到达角（AOA）信息，以提高定位性能。为此，本文对Chan提出的电波到达时间差（TDOA）定位算法进行了改进，提出了一种既继承原算法的优点，又增加AOA测量值以提高定位性能的TOA/AOA混合定位算法，分析和仿真结果表明，只要AOA测量值达到一定精度，该算法就能取得比单纯TOA定位法更好的性能。     

An Optimized Supply Chain Network Model Based on Modified Genetic Algorithm

For complex multi-source, multi-product, multi-stage Supply chain network (SCN) design problem, we propose an optimization supply chain network model. We consider cash conversion cycle as an objective to this model and utilize a modified genetic algorithm to solve the problem. To describe the structure of supply chain network, we propose a new encoding method and a ge-netic algorithm with modified genetic operators. We use the Pareto approach to obtain the set of Pareto-optimal solutions. In order to evaluate the performance of the mod-ified genetic algorithm and validate the model, we conduct comparisons with standard genetic algorithm and the sim-ulated annealing genetic algorithm. Experimental results show that the modified genetic algorithm achieved better CPU time and the accuracy of the Pareto-optimal solu-tions than the alternative algorithms and the model was effective.     

基于遗传算法与单纯形下山法的广义切比雪夫滤波器的优化设计

广义切比雪夫滤波器是一种高性能滤波器形式,用经典的综合方法提取其参数复杂且难以实现。本文以指定的电路拓扑结构和传输零点作为已知条件,结合遗传算法和单纯形下山法用MATLAB编程实现了一种新的灵活、有效的广义切比雪夫滤波器等效电路参数的优化提取方法。并给出了归一化耦合系数的物理意义及其工程应用系数转换公式。     

基于遗传算法和神经网络的多用户检测器

利用两种方法的优点,并将它们应用于CDMA多用户检测中,提出一种基于并行遗传算法和递归神经网络的多用户检测器。该检测器中,遗传算法首先给神经网络提供较好的初始值,然后神经网络实时快速地获得最优解。计算机模拟结果表明:本文所提出的检测器在误码率和抗“远近”效应方面均具有良好的性能。     

一种自适应线谱对滤波器的终点误差LMS算法及其学习特性

本文提出了一种计算线谱对（LSP）系数的新算法．该算法以最小均方（LMS）误差型算法为基础，梯度计算使用系统终点误差。对接收到的语音观测样本在一个时序的基础进行迭代更新计算，直接产生LSP系数，形成一个LMS算法的自适应LSP滤波器。实验结果表明，该算法与其它自适应滤器的LMS算法比较，具有更高的收敛率和较低的失调。