摘要：随机梯度遗传算法(Stochastic Gradient Genetic Algorithm简称SGGA),在求解多目标优化问题方面显示了很强的优越性.本文把SGGA算法应用于单目标优化问题.首先将多目标综合优化问题,利用权系数法转化为单目标优化问题,然后将标准遗传算法与SGGA算法有机结合,对一类带工艺约束的生产调度方法进行了优化设计.实验证明:SGGA算法可用于单目标优化问题,且能得到较好的最优解.

摘要：径向基函数具有形式简单、节点配置灵活等特点,使得其可以构成网络来拟合复杂非线性系统.径向基函数构成的网络可描述非线性模型映射关系,研究有色噪声干扰下一类径向基函数非线性模型的参数估计问题.首先,为了抑制有色噪声对参数估计的影响,在不改变模型输入输出关系的前提下,利用数据滤波技术设计滤波器对观测数据进行滤波,实现有色噪声干扰下辨识模型的白噪化处理;然后,运用梯度搜索,结合多新息辨识理论,提出估计该类径向基函数非线性模型的滤波多新息增广随机梯度算法;最后,考虑到模型的参数可分离特性,在滤波辨识的框架下,基于分解技术,利用递推搜索方法,提出估计该类径向基函数非线性模型的三阶段滤波多新息增广递推算法.仿真结果表明了所提出算法的有效性和优越性.

摘要：结合梯度搜索原理及多新息思想,通过建立近似最小一乘目标函数,给出了一种基于近似最小一乘准则的多新息随机梯度辨识算法。算法在每一步计算时综合考虑当前和过去时刻的数据,用一个可导确定性函数近似代替残差的绝对值,既克服了最小二乘准则在测量数据存在异常点时残差平方项过大的缺点,又满足了算法中求导的需求。仿真结果表明,相比于以最小二乘为准则函数的辨识算法,本文算法有效的提高了参数估计精度,降低了异常点对辨识结果的影响,尤其是在存在尖峰序列噪声或大幅度干扰时显示出良好的稳健性。在实际的工业应用中,应用该算法无须事先剔除异常点数据,降低了辨识算法对测量数据质量的要求。

摘要：针对在建立定量构效关系(QSAR)模型中,单个人工神经网络模型难以确定参数,容易产生“过拟合”;一般神经网络集成模型虽然建立过程简单,但由于个体差异度小而导致泛化能力相对单个神经网络没有明显改善等问题,提出了一种基于随机梯度法的选择性神经网络二次集成方法。在建立除草剂(苯乙酰胺类化合物)的QSAR模型的实验研究中表明,该方法设计过程简单,能够以较小的运算代价明显地提高了模型的泛化能力,是建立QSAR模型的一个有效方法。

摘要：提出一种基于对偶字典学习的图像超分辨方法,通过稀疏重建的方法得到重建的图像,对偶字典通过稀疏表示将低分辨图像和高分辨图像联系起来。在稀疏表示过程中,低分辨图像在低分辨字典上的稀疏表示能够很好地提高对应的高分辨图像在高分辨字典上的稀疏表示效果。将字典的学习建模为包含l1范数优化问题的双层最优化问题,采用隐微分法计算随机梯度下降的期望梯度。仿真实验结果表明,该方法能够达到和联合字典学习方法相同的速度和质量,同时,在实际应用中可以通过神经网络模型学习方法提高算法的速度。与现有的算法比较,表明了该算法的有效性。

摘要：为了减小最大后验概率(MAP)盲均衡算法中稳态误差和收敛速度,提出了一种改进的基于最大后验估计的盲均衡算法。运用不等概思想改进自适应σ的MAP盲均衡算法,得到了基于概率和自适应σ的MAP盲均衡算法。定量分析和仿真结果表明改进算法和MAP的盲均衡算法相比,稳态调整量的理论值更小,稳态剩余根均方误差值小于MAP盲均衡算法,收敛速度快于MAP盲均衡算法。

摘要：为解决恒模算法(CMA)对高阶正交幅度调制(QAM)信号均衡效果较差的问题,提出了一种将CMA算法和最大后验估计(MAP)盲均衡算法相结合的改进算法。该算法运用CMA使均衡达到初步收敛后,改用MAP估计的方法来减小剩余误差。仿真结果表明,该改进算法对高阶QAM信号的均衡也能达到很快的收敛速度和很小的剩余误差,星座恢复图很紧凑。同时由于改进算法不需要进行多次的信号区域判决,其计算复杂度远小于MAP估计盲均衡算法。