摘要：神经进化作为一种不同于随机梯度下降的神经网络训练方法,现已成为机器学习研究领域的一个重要分支.如何设计更好的进化策略,探索新型神经网络权值的神经进化方法是当前研究的热点问题之一.本文提出了一种基于改进郊狼优化算法的浅层神经网络进化方法.该方法首先通过引入自适应影响权重因子与选择性的混沌扰动执行机制分别从收敛速度和寻优能力两个方面对传统郊狼优化算法进行了改进.其次,以改进郊狼优化算法为神经进化策略,融入到浅层神经网络的神经进化过程,并以BP神经网络为例,构建了一种全新的BP神经网络权值、阈值优化更新方法.最后,文中采用UCI标准数据库中几组代表性数据验证了算法的有效性.实验结果表明:改进郊狼优化算法的进化策略充分发挥了启发式优化算法在BP神经网络参数空间中的全局寻优能力,能够快速逼近最优解,经过神经进化后的BP神经网络在分类任务中表现出了优异性能,充分验证了改进郊狼优化算法作为一种新型神经进化策略的可行性和有效性.本文研究成果丰富并拓展了神经进化领域的研究内容,为构建以神经进化为主体的新型机器学习工具箱提供了重要的参考依据.

摘要：将正交设计用于统计模拟方法，可以减小实验工作量。用多元线性回归分析建立了吸光度与组分含量关系的数学模型，并用复相关系数考察数学模型的线性相关程度。用所建数学模型在计算机上模拟出各组分不同含量组合时的吸光度；并与未知样品的吸光度对比，给出未知样品中各组分的含量。