灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优...灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。展开更多
目的针对配对等级资料,提出一种新的统计推断方法,并通过统计模拟,与经典的非参数检验方法进行比较。方法基于配对等级资料差值的离散性和多项分布特征,构造一种新的统计量AOC(average order change),即加权平均等级差,以及相应检验方...目的针对配对等级资料,提出一种新的统计推断方法,并通过统计模拟,与经典的非参数检验方法进行比较。方法基于配对等级资料差值的离散性和多项分布特征,构造一种新的统计量AOC(average order change),即加权平均等级差,以及相应检验方法。应用Monte Carlo技术,比较AOC检验与Wilcoxon符号秩检验(Wilcoxon法)、Pratt法的统计性能。结果在样本量小于30时,三种方法的I类错误率偏于保守,其中Wilcoxon法偏离设定水平较大;在样本量大于或等于30时,I类错误率均接近设定水平,以AOC检验更接近设定水平。当样本量小于20时,检验效能以Wilcoxon法较低,AOC检验和Pratt法相当;在样本量大于或等于20时,三种方法的检验效能非常相近。结论在统计性能方面,AOC检验与Pratt检验表现相当或略优。在统计量意义上,AOC更能直观表达等级变动情况。展开更多
小世界神经网络具有较快的收敛速度和优越的容错性,近年来得到广泛关注.然而,在网络构造过程中,随机重连可能造成重要信息丢失,进而导致网络精度下降.针对该问题,基于Watts-Strogatz(WS)型小世界神经网络,提出了一种基于突触巩固机制的...小世界神经网络具有较快的收敛速度和优越的容错性,近年来得到广泛关注.然而,在网络构造过程中,随机重连可能造成重要信息丢失,进而导致网络精度下降.针对该问题,基于Watts-Strogatz(WS)型小世界神经网络,提出了一种基于突触巩固机制的前馈小世界神经网络(Feedforward small-world neural network based on synaptic consolidation,FSWNN-SC).首先,使用网络正则化方法对规则前馈神经网络进行预训练,基于突触巩固机制,断开网络不重要的权值连接,保留重要的连接权值;其次,设计重连规则构造小世界神经网络,在保证网络小世界属性的同时实现网络稀疏化,并使用梯度下降算法训练网络;最后,通过4个UCI基准数据集和2个真实数据集进行模型性能测试,并使用Wilcoxon符号秩检验对对比模型进行显著性差异检验.实验结果表明:所提出的FSWNN-SC模型在获得紧凑的网络结构的同时,其精度显著优于规则前馈神经网络及其他WS型小世界神经网络.展开更多
文摘灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。
文摘目的针对配对等级资料,提出一种新的统计推断方法,并通过统计模拟,与经典的非参数检验方法进行比较。方法基于配对等级资料差值的离散性和多项分布特征,构造一种新的统计量AOC(average order change),即加权平均等级差,以及相应检验方法。应用Monte Carlo技术,比较AOC检验与Wilcoxon符号秩检验(Wilcoxon法)、Pratt法的统计性能。结果在样本量小于30时,三种方法的I类错误率偏于保守,其中Wilcoxon法偏离设定水平较大;在样本量大于或等于30时,I类错误率均接近设定水平,以AOC检验更接近设定水平。当样本量小于20时,检验效能以Wilcoxon法较低,AOC检验和Pratt法相当;在样本量大于或等于20时,三种方法的检验效能非常相近。结论在统计性能方面,AOC检验与Pratt检验表现相当或略优。在统计量意义上,AOC更能直观表达等级变动情况。
文摘小世界神经网络具有较快的收敛速度和优越的容错性,近年来得到广泛关注.然而,在网络构造过程中,随机重连可能造成重要信息丢失,进而导致网络精度下降.针对该问题,基于Watts-Strogatz(WS)型小世界神经网络,提出了一种基于突触巩固机制的前馈小世界神经网络(Feedforward small-world neural network based on synaptic consolidation,FSWNN-SC).首先,使用网络正则化方法对规则前馈神经网络进行预训练,基于突触巩固机制,断开网络不重要的权值连接,保留重要的连接权值;其次,设计重连规则构造小世界神经网络,在保证网络小世界属性的同时实现网络稀疏化,并使用梯度下降算法训练网络;最后,通过4个UCI基准数据集和2个真实数据集进行模型性能测试,并使用Wilcoxon符号秩检验对对比模型进行显著性差异检验.实验结果表明:所提出的FSWNN-SC模型在获得紧凑的网络结构的同时,其精度显著优于规则前馈神经网络及其他WS型小世界神经网络.
