简介：对最优加权随机汇池网络的自适应算法进行研究,以均方误差作为随机汇池网络输出性能评价指标,推导了最小均方(LMS)和Kalman-LMS算法的递归表达式,并应用到输入信号方差发生改变的非稳态情况中,结果表明两种自适应算法都能够迭代收敛到权的最优解。与LMS算法相比,Kalman-LMS算法不仅收敛速度快,而且权均方偏差每一步都是最优的,在网络节点的个数较少时,Kalman-LMS算法能够获得更小的均方误差,而随着网络节点的个数增加,两种自适应算法得到的均方误差趋于一致。

简介：为提高粒子群算法的搜索效率,克服分解方法处理复杂多目标问题的不足,通过考虑父代解的选择和种群的更新对算法收敛性及解的分布均匀性的重要影响,提出了一种基于分解的改进自适应多目标粒子群优化算法。首先,为提高算法收敛速度,在分解方法确保进化种群多样性的前提下,设计了新的适应度评价方法以评价个体的优劣,并将在竞争中获胜的优质后代解添加到父代候选解中;其次,为避免算法陷入局部最优,在更新粒子时,从当前粒子的邻居或邻居外随机选择个体最优和全局最优位置;最后,引入外部文档,将其作为候选的输出种群,并采用拥挤距离维持多样性,增强了算法处理复杂问题的能力。用12个测试函数的数值实验,并与5种多目标优化算法的比较,表明了所提算法的优越性。

简介：为了研究整数阶电路系统的动态行为,国内外学者做了非常巨大的努力,得出了许多重要的结论。然而,在现实生活中,更多的系统是分数阶系统。因此,研究分数阶蔡氏电路系统的动力学行为就变得非常的前沿和有意义。这篇文章主要研究对象是三阶分数阶蔡氏电路系统,通过分数阶劳斯-赫尔维兹判据,李雅普诺夫稳定性判断方法以及矩阵理论等推导出分数阶蔡氏电路系统的渐近稳定性的充分条件以及自适应控制器的选取条件。最后通过数值模拟的方法,验证了理论的有效性和合理性。

简介：摘要机器学习已经广泛的应用于众多疾病的辅助诊断中，分类集成学习通过构建多个学习器来完成特定学习任务，再通过特定的策略将他们结合起来。阿尔茨海默症由于其病因和疾病发展经历了较为漫长的过程。本研究使用对早期、晚期轻度认知障碍、阿尔茨海默症及正常老年人进行分组特征提取。优化使用可以提高分辨率的PCA-FLDA集成分类器对前期提取的数据进行分类集成，最大限度的降低了前期特征提取中不同分类方式对空间划分的依赖性。