您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 200910-56
论文题目 基于改进蚁群算法的DRNN网络动态系统辨识研究
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于改进蚁群算法的DRNN网络动态系统辨识研究

首发时间:2009-10-09

章国升 1    杨凌 1    肖修吉 1    郑高桐 1    郭爱平 1    酒康 1    刘春元 2   
  • 1、兰州大学信息科学与工程学院
  • 2、甘肃河西学院

摘要:针对BP算法训练对角递归神经网络(DRNN)时的缺点及传统蚁群算法收敛速度慢的问题,提出了一种改进的蚁群优化算法。该算法在传统蚁群算法(ACA)的基础上,借鉴粒子群算法(PSO)中粒子最优位置转移机制,采用一种新颖的动态信息素更新策略,并进行遗传操作策略来加快局部寻优。实验仿真结果表明,与基于BP算法和基于传统蚁群算法的DRNN网络模型相比较,基于改进蚁群算法的DRNN网络新模型的性能,尤其是网络的泛化能力,收敛速度和辨识精度都得到了较大程度的提升。

关键词: 对角递归神经网络 系统辨识 蚁群算法 优化

For information in English, please click here

DRNN Based on improved ant colony algorithm and Its Application to Dynamical System Identification

Zhang Guosheng 1    YangLing 1    Xiao Xiuji 1    Zhen Gaotong 1    Guo Aiping 1    Jiu Kang 1    Liu Chunyuan 2   
  • 1、School of Information Science and Engineeing, Lan Zhou University
  • 2、Hexi University

Abstract:For the shortcomings of BP Algorithm for training on the Diagonal Recurrent Neural Network (DRNN) and traditional Ant Colony Algorithm for the problem of slow convergence, proposed a new improved Ant Colony Optimization Algorithm. On the basis of the traditional Ant Colony Algorithm, learning Particle Swarm Optimization (PSO) in the optimal position of particle transfer mechanisms,using a novel Dynamic Pheromone update strategy and conduct genetic manipulation strategies to speed up the local optimization.The results show the new optimization DRNN model based on improved Ant Colony Optimization Algorithm is superior to that of other two kinds of optimized DRNN models,and the network has been a greater degree of upgrading especially in generalization ability,convergence rate and identification accuracy.

Keywords: DRNN network System indentification Particle swarm optimization Optimization

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
章国升,杨凌,肖修吉,等. 基于改进蚁群算法的DRNN网络动态系统辨识研究[EB/OL]. 北京:中国科技论文在线 [2009-10-09]. http://www.paper.edu.cn/releasepaper/content/200910-56.

No.3568031957612550****

同行评议

共计0人参与

评论

全部评论

0/1000

勘误表

基于改进蚁群算法的DRNN网络动态系统辨识研究