项目名称: 基于神经网络和群体智能的稀疏表示算法研究

项目编号: No.61473333

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 刘庆山

作者单位: 东南大学

项目金额: 63万元

中文摘要: 近年来,随着压缩感知理论的发展,稀疏表示方法在信号处理和模式识别的研究中得到越来越广泛的应用。对于大规模复杂的优化问题,寻找快速有效的算法成为当前研究的重点和难点问题。自上个世纪八十年代以来,神经动力学方法在大规模复杂优化的计算中得到深入的研究,取得了丰硕的成果。本项目旨在研究基于神经网络和群体智能方法的稀疏表示算法,研究内容主要集中在如下四个方面:一、改进和推广稀疏表示的数学模型,建立相应的数学理论基础;二、建立求解组合优化问题的神经动力学优化模型;三、设计基于多智能体系统的分布式稀疏表示算法;四、设计基于群体智能优化方法的稀疏表示算法。本项目将神经动力学优化方法与群体智能优化方法相融合,有望设计出新的稀疏表示算法,并建立相应的理论基础。本项目的研究工作将促进网络动力学优化方法在理论研究和应用领域的发展,并且对于模式识别理论和方法的发展具有重要的理论意义和应用价值。

中文关键词: 神经网络;群体智能;稀疏表示;最优化;神经计算

英文摘要: In recent years, with the development of the theories of compressed sensing, sparse representation has been widely used in signal processing and pattern recognition. For large and complex optimization problems, it has become more important and difficult for seeking fast and efficient algorithms. Since the 1980's, the neurodynamic method has got a deep study for large-scale complex optimization, and achieved fruitful results. This project aims to study the neural networks and swarm intelligence for sparse representation algorithms. The research contents are focused on the following four aspects: First, the mathematical models for sparse representation will be improved and extended, and the corresponding theoretical foundations of mathematics will be established; Second, the neurodynamic models for solving combinatorial optimization problems will be investigated; Third, the distributed sparse representation algoriths based on multi-agent systems will be designed; Fourth, the sparse representation algorithms based on swarm intelligence optimization will also be designed. The project combines the neurodynamic optimization with the swarm intelligence optimization, which is expected to design some new algorithms for sparse representation and establish the appropriate theoretical basis. The project will promote the development of network dynamical optimization theory and applications, and has important theoretical significance and application values for the development of pattern recognition theories and methods.

英文关键词: Neural Networks;Swarm intelligence;Sparse representation;Optimization;Neural computation

成为VIP会员查看完整内容
1

相关内容

人工神经网络(Artificial Neural Network,即ANN ),是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象, 建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。 最近十多年来,人工神经网络的研究工作不断深入,已经取得了很大的进展,其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。
基于强化学习的推荐研究综述
专知会员服务
83+阅读 · 2021年10月21日
专知会员服务
81+阅读 · 2021年10月15日
专知会员服务
58+阅读 · 2021年8月8日
专知会员服务
136+阅读 · 2021年1月13日
专知会员服务
73+阅读 · 2020年12月7日
专知会员服务
42+阅读 · 2020年7月29日
【硬核书】不完全信息决策理论,467页pdf
专知会员服务
351+阅读 · 2020年6月24日
基于文档的对话技术研究
专知
2+阅读 · 2022年2月20日
实践教程 | 卷积神经网络压缩方法总结
极市平台
0+阅读 · 2021年10月22日
最新基于强化学习的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年9月10日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
直观的强化学习算法(A2C)
深度强化学习实验室
36+阅读 · 2018年6月19日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
一文读懂神经网络(附PPT、视频)
数据派THU
17+阅读 · 2018年3月25日
贝叶斯机器学习前沿进展
机器学习研究会
21+阅读 · 2018年1月21日
基于信息理论的机器学习
专知
21+阅读 · 2017年11月23日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年5月6日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
19+阅读 · 2018年3月28日
小贴士
相关VIP内容
基于强化学习的推荐研究综述
专知会员服务
83+阅读 · 2021年10月21日
专知会员服务
81+阅读 · 2021年10月15日
专知会员服务
58+阅读 · 2021年8月8日
专知会员服务
136+阅读 · 2021年1月13日
专知会员服务
73+阅读 · 2020年12月7日
专知会员服务
42+阅读 · 2020年7月29日
【硬核书】不完全信息决策理论,467页pdf
专知会员服务
351+阅读 · 2020年6月24日
相关资讯
基于文档的对话技术研究
专知
2+阅读 · 2022年2月20日
实践教程 | 卷积神经网络压缩方法总结
极市平台
0+阅读 · 2021年10月22日
最新基于强化学习的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年9月10日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
直观的强化学习算法(A2C)
深度强化学习实验室
36+阅读 · 2018年6月19日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
一文读懂神经网络(附PPT、视频)
数据派THU
17+阅读 · 2018年3月25日
贝叶斯机器学习前沿进展
机器学习研究会
21+阅读 · 2018年1月21日
基于信息理论的机器学习
专知
21+阅读 · 2017年11月23日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员