导读:本文包含了自组织学习算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,组织,算法,动态,模糊,小生境,邻域。
自组织学习算法论文文献综述
王健[1]（2019）在《基于自组织学习的生物地理学优化算法研究及应用》一文中研究指出生物地理学优化算法是近年来提出的一种模拟生物物种在栖息地的分布、迁移以及灭绝的演化算法。该算法因其独特的演化机制和出色的寻优能力而广受关注。随着研究的深入和应用的推广,人们逐步认识到该算法在具有出色寻优能力的同时,也暴露出局部搜索能力弱的问题,有鉴于此,本文旨在设计与分析一种基于自组织学习的生物地理学优化算法,并对复杂数值优化和混沌时间序列预测的求解问题展开研究,主要工作如下:1.自组织个体邻域学习模型的构建。本文针对基于全局拓扑邻域的个体信息迁移策略容易诱使算法陷入局部最优的问题,设计了一种自组织个体邻域学习模型。首先,该模型利用自组织网络将种群从高维空间映射到低维空间,并通过反复学习为每个个体找到对应的神经元;其次,利用自组织网络的拓扑不变性为个体构建邻域模型;最后,由该模型实现个体信息的有效传递,有利于保持种群多样性,避免算法过早陷入局部最优。2.自组织邻域学习的迁移算子设计。针对生物地理学优化算法的迁移算子探索能力强,开发能力弱的特点,设计了一种自组织拓扑邻域学习的迁移算子。首先,根据已构建的自组织邻域模型,设计一种具有方向引导的差分迁移算子使个体朝着更加有利的方向演化,以此提高算法的局部搜索能力;其次,设计一种自适应选择机制来动态调节不同迁移算子的计算资源利用率,以此实现全局与局部搜索能力的有效平衡,从而提高算法性能。3.自组织个体邻域学习的有效性研究。为验证改进算法的有效性,本文选取四种对比算法在23个经典测试函数上进行仿真实验。实验结果表明,基于自组织学习的生物地理学优化算法的整体性能明显优于其它四种对比算法,且性能的提升主要是由于自组织个体邻域学习机制的作用。此外,将改进算法进一步应用于混沌系统时间序列预测问题,基于Box-Jenkins、Lorenz混沌系统的仿真实验证实了改进算法的有效性。综上所述,基于自组织学习的生物地理学优化算法不仅显着提升了生物地理学优化算法的寻优性能,而且其改进策略对其它演化算法的改进具有一定的借鉴意义,具有较强的学术价值。(本文来源于《西安理工大学》期刊2019-06-30）
顾梦逸[2]（2017）在《基于自组织映射神经网络的子空间学习算法研究》一文中研究指出随着数据维度的日益增长,“维度灾难”成为许多数据挖掘任务不可避免的问题,如何有效地进行维度约减,已成为备受关注的研究问题。选择部分维度替代原始的高维空间,能够极大减少计算成本,优化算法性能。特征选择方法能够有效筛除无关或冗余的维度,但却有信息损失的风险,无法应对特征仅对部分数据相关的问题。特征子空间学习技术能够更好的发掘和使用数据中隐藏的特征子空间结构,有效降低数据维度。本文首先综述了子空间相关的国内外研究现状,详细介绍了自组织映射神经网络。其次,提出了一种基于自组织映射神经网络的子空间聚类算法,直接在神经网络的输出层上进行搜索,先寻找每个维度中可能存在聚类的子区域,再进行合并。实验研究表明,该算法能够有效找出数据集中的子空间聚类,聚类效果优于原始自组织映射神经网络算法和其他子空间聚类算法,并对不同的数据集都有很好的适应性。然后,提出了一种基于自组织映射的子空间集成分类算法,根据自组织映射神经网络中的权重连接探索特征之间的相关关系,并据此划分子空间,再将每个子空间的输出集成得到最终的分类效果。子空间之间彼此相似度低,并为每个子空间分配独立的分类器,保证了集成的多样性。且在子空间中训练分类器,能够有效缓解高维压力,减少计算成本。实验研究表明,该算法比其他的分类算法分类效果更好,且选择的子空间比其他子空间算法更小。本文通过自组织映射神经网络的输出结果,研究数据结构和子空间分布,能够有效减少数据中噪声和离散点的干扰,降低数据维度,精确确定数据样本的特征子空间,优化分类、聚类算法性能。(本文来源于《天津大学》期刊2017-12-01）
左军,周灵,孙亚民[3]（2015）在《分级在线自组织学习的GD-FNN算法研究》一文中研究指出提出了基于椭圆基函数(EBF)的广义动态模糊神经网络(GD-FNN)算法。算法提取的模糊规则具有很好可理解性,可以作为建模工具,也可以作为知识提取的工具。广义动态模糊神经网络由于基于模糊ε-完备性,同时提出了一种新颖的在线参数分配机制,从而缓解了初始化的随机选择,且与输入变量不同值域没有关系,因而更容易构造一个较好性能的模糊系统。开发了仿真程序,对具体案例进行仿真,取得了较为理想的结果。(本文来源于《中山大学学报(自然科学版)》期刊2015年03期）
姚兰,肖建,王嵩,蒋玉莲[4]（2013）在《自组织区间二型模糊神经网络及其自适应学习算法》一文中研究指出针对复杂不确定非线性系统的辨识问题,提出一种基于聚类的自组织区间二型模糊神经网络学习算法.首先采用具有两个不同加权参数的FCM算法对输入数据进行划分来获取规则前件的不确定均值,同时结合聚类有效性标准确定模糊规则数目,从而自动完成神经网络的结构辨识和规则前件参数辨识;随后给出了基于梯度下降法和Lyapunov函数稳定收敛定理的规则后件权向量学习速率的自适应学习算法.通过非线性系统辨识实例,验证了该算法与其他方法相比具有更快的收敛速度和更高的逼近精度;并且利用该算法建立了某市电力短期负荷预测模型,结果表明该模型具有较高的预测精度,泛化性能更佳.(本文来源于《控制理论与应用》期刊2013年06期）
戚涌,胡俊,于东军[5]（2013）在《基于自组织映射与概率神经网络的增量式学习算法》一文中研究指出为解决传统学习算法不能有效利用新可用数据这一不足,提出一种基于自组织映射(SOM)和概率神经网络(PNN)的增量式学习算法——增量式模块化自组织映射概率神经网络(IMSOMPNN)。使用模块化SOM对每类训练数据进行学习,以训练后SOM的原型向量作为此类别的模式神经元来构建PNN。IMSOMPNN可以方便地实现对不同类型的新数据进行增量式学习,并且在进行增量学习时,不再需要利用到原始的训练数据,仅使用新的数据对已有模型进行局部调整;最后,IMSOMPNN还具有较强的抗噪能力。在UCI Landsat Satellite数据集上的实验验证了该文所述方法的有效性。(本文来源于《南京理工大学学报》期刊2013年01期）
王丹丹,刘显德[6]（2011）在《一种基于自组织过程神经网络的动态样本半监督学习算法》一文中研究指出针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。(本文来源于《智能计算机与应用》期刊2011年05期）
周传华,谢安世[7]（2011）在《一种基于动态小生境的自组织学习算法》一文中研究指出提出了一种基于动态小生境的自组织学习算法(dynamic niche-based self-organizing learning algorithm,简称DNSLA),实现了基于0-1编码的动态学习机制.种群中的个体由被动适应转为主动学习,即通过系统的自组织学习而实现与环境的友好交互,因而具有更强健的动态环境适应能力,能够及时、准确地侦测到环境的变化并跟踪极值点在搜索空间内的运动轨迹,具有良好的可移植性和很强的泛化能力.一系列动态测试问题的对比仿真实验结果表明,该算法即使在剧烈动荡的环境中也能很好地与环境进行稳定而友好的交互学习,表现出了很强的鲁棒性,其动态搜索能力和极值点跟踪能力远优于同类搜索方法.(本文来源于《软件学报》期刊2011年08期）
周尚波,柳玉炯[8]（2010）在《基于EKF的模糊神经网络快速自组织学习算法》一文中研究指出为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度、良好的逼近精度和泛化能力。(本文来源于《计算机应用研究》期刊2010年07期）
张芬,谢安世,周传华[9]（2010）在《适于高维空间搜索的自组织学习算法》一文中研究指出提出了一种有别于当前优化算法框架的自组织学习算法(self-organizing learning algorithm,SLA),该算法融合遗传算法并行搜索与模拟退火串行搜索,结合粒子群学习机制和禁忌搜索机制,实现了系统与环境的交互学习,能够很好地处理传统优化方无法应对的高维非线性优化问题。SLA分自学习和互学习两个智能化学习阶段,先进行基于自学习机制的邻域禁忌搜索,保证局部极值的收敛,然后通过信息共享平台,进行基于互学习机制的广域禁忌搜索,保证全局极值的收敛。系统通过与环境交互学习而自适应地调整搜索策略和相关参数,使得搜索过程能够有效地避免盲目性,而具有相当的自组织性。最后,通过高维测试函数的对比仿真实验表明,SLA在由小型低维空间转入超大型高维空间时,仍能够与环境保持稳定、透明的交互学习,其全局搜索能力和整体稳健性明显优于其它搜索方法。(本文来源于《计算机工程与设计》期刊2010年09期）
万春红,邵超[10]（2009）在《一种新的基于自组织映射的流形学习算法》一文中研究指出针对自组织映射(Self-Organizing Map,SOM)算法在进行流形学习时容易陷入局部极值和产生"拓扑缺陷"问题的原因,提出了一种新的基于SOM的流形学习算法:TO-SOM(TrainingOrderly-SOM).根据流形的局部欧氏性,TO-SOM算法从一个局部线性或近似线性的数据子集出发,按照数据的内在流形结构对其进行有序训练,可以避免局部极值、克服"拓扑缺陷".根据SOM算法的鲁棒性,TO-SOM算法在成功学习数据内在流形结构的同时,对邻域大小参数和噪声也不像ISOMAP和LLE等现有流形学习算法那样敏感,从而更容易得到实际应用.(本文来源于《北京交通大学学报》期刊2009年06期）
自组织学习算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着数据维度的日益增长,“维度灾难”成为许多数据挖掘任务不可避免的问题,如何有效地进行维度约减,已成为备受关注的研究问题。选择部分维度替代原始的高维空间,能够极大减少计算成本,优化算法性能。特征选择方法能够有效筛除无关或冗余的维度,但却有信息损失的风险,无法应对特征仅对部分数据相关的问题。特征子空间学习技术能够更好的发掘和使用数据中隐藏的特征子空间结构,有效降低数据维度。本文首先综述了子空间相关的国内外研究现状,详细介绍了自组织映射神经网络。其次,提出了一种基于自组织映射神经网络的子空间聚类算法,直接在神经网络的输出层上进行搜索,先寻找每个维度中可能存在聚类的子区域,再进行合并。实验研究表明,该算法能够有效找出数据集中的子空间聚类,聚类效果优于原始自组织映射神经网络算法和其他子空间聚类算法,并对不同的数据集都有很好的适应性。然后,提出了一种基于自组织映射的子空间集成分类算法,根据自组织映射神经网络中的权重连接探索特征之间的相关关系,并据此划分子空间,再将每个子空间的输出集成得到最终的分类效果。子空间之间彼此相似度低,并为每个子空间分配独立的分类器,保证了集成的多样性。且在子空间中训练分类器,能够有效缓解高维压力,减少计算成本。实验研究表明,该算法比其他的分类算法分类效果更好,且选择的子空间比其他子空间算法更小。本文通过自组织映射神经网络的输出结果,研究数据结构和子空间分布,能够有效减少数据中噪声和离散点的干扰,降低数据维度,精确确定数据样本的特征子空间,优化分类、聚类算法性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自组织学习算法论文参考文献
[1].王健.基于自组织学习的生物地理学优化算法研究及应用[D].西安理工大学.2019
[2].顾梦逸.基于自组织映射神经网络的子空间学习算法研究[D].天津大学.2017
[3].左军,周灵,孙亚民.分级在线自组织学习的GD-FNN算法研究[J].中山大学学报(自然科学版).2015
[4].姚兰,肖建,王嵩,蒋玉莲.自组织区间二型模糊神经网络及其自适应学习算法[J].控制理论与应用.2013
[5].戚涌,胡俊,于东军.基于自组织映射与概率神经网络的增量式学习算法[J].南京理工大学学报.2013
[6].王丹丹,刘显德.一种基于自组织过程神经网络的动态样本半监督学习算法[J].智能计算机与应用.2011
[7].周传华,谢安世.一种基于动态小生境的自组织学习算法[J].软件学报.2011
[8].周尚波,柳玉炯.基于EKF的模糊神经网络快速自组织学习算法[J].计算机应用研究.2010
[9].张芬,谢安世,周传华.适于高维空间搜索的自组织学习算法[J].计算机工程与设计.2010
[10].万春红,邵超.一种新的基于自组织映射的流形学习算法[J].北京交通大学学报.2009
论文知识图
