简介：为了进一步优化神经网络算法,提高网络神经算法的速率并提高其稳定性,就现有BP算法所存在的收敛速度慢以及容易陷入局部极小值的弊病,我们将进一步通过一般改进算法解决在神经网络结构优化过程中依然无法解决的问题。依据遗传算法的特征,进一步在经过改进的压缩映射遗传的基础上提出了BP神经网络优化方案。泛函分析中压缩映射原理的应用,一方面解决了困扰人们的BP神经网络算法所固有的缺点,显著地提高了神经网络算法的收敛速度,而且解决了BP神经在运行的过程中和网络连接权值初值的取值紧密相连的缺点。经过大量的计算我们得到如下数据：经过优化改进后,训练时间节约了8.3%,训练步数降低了近17.4%。经过大量的研究实验表明：经过改进后的BP神经网络算法取得了良好的效果,十分具有应用价值。

简介：针对结构动力方程转化为状态空间方程后矩阵维数增加而导致计算量增大的问题，考虑状态空间方程中所含外部荷载的特点，提出了一种新的改进精细直接积分法．给出了利用梯形公式、复化梯形公式、辛普生公式、复化辛普生公式、科特斯公式、高斯公式计算杜哈姆积分时的计算格式，分析了不同计算格式下的计算精度和计算效率．数值算例表明本文改进方法的正确性．

简介：由于传统K-近邻分类方法需要计算每个待测样本与所有训练样本的距离,学习效率较低。针对这个问题,提出一种改进的快速K-近邻分类方法SK-NN。该方法首先对训练样本采用K-均值方法进行聚类,并得到聚类结果中每个子集的中心和半径,并根据其选择合适的子类并采用该子类对待测样本打标签。由于聚类后得到的子类的规模远小于原始样本的规模,因此需要计算的距离数目减少,提高模型的效率。