基于块的水印嵌入几何模型区域分布算法

主要以64维几何模型为例,通过在图像中提取8*8的块的方法,对水印几何模型进行了分析,并介绍了基于标志空间的水印检测器的设计方法。详细描述了多维空间中各区域分布及概率,通过设置感知距离的度量阈值来近似描述可接受保真度区域范围,为了刻划检测区域的形状,采用线性相关性作为检测标准,为了描述嵌入区域,采用基于块的盲嵌入水印算法。     

人工神经网络理论研究进展

本文综述了人工神经网络理论中的几种典型方法及近期的一些应用。     

基于多维光谱空间的干旱指数

遥感干旱指数是用遥感数据定量描述区域受旱程度以及作物产量灾损的机理性数学模型.干旱指数在农业、林业和生态环境监测方面有较高的研究价值与非常广阔的应用前景,是当前的研究前沿和热点之一.介于遥感干旱指数起步至今还未形成研究系统,开展了这方面工作的梳理和归纳.首先,对多维光谱特征空间概念作延伸,将多维光谱特征空间的多维变量由光谱值拓展为与一切干旱相关的遥感产品,将光谱特征统一归纳到多维坐标框架当中,使得干旱指数的数学建模意义更明确,构造更清晰;其次,对30种干旱指数进行归纳,从“三要素”的角度将干旱指数分为四类,并评价其各自优势和局限性,将干旱遥感监测模型家族抽象为一个金字塔形式,从底层到顶层分析模型家族的一般构成要素和复合形式,解析干旱指数通用的数学构建规律及其物理内涵;最后,分析大气影响、土壤、传感器差异等环境影响因素,指出干旱指数未来发展重点在数据源、监测对象、表达形式三个方面.通过对于旱指数的研究工作有助于进一步完善发展干旱指数体系,推进干旱遥感监测模型在农情遥感监测、水资源规划和环境科学管理等领域的应用.     

人工神经网络的BP算法及其应用

在一般人工神经网络的BP算法的基础上,研究了BP算法所遵循的数学基础,指出其存在的缺陷和不足,并给出改进方法。探讨了MATLAB环境下实现人工神经网络BP算法的编程方法及方法改进比较的例子,得到了良好的结果。     

基于网格和队列触发的多维空间Skyline查询算法

在流数据环境下,多维空间的Skyline计算会随着维度的增高影响滑动窗口上Skyline点集的计算效率.针对以上问题,提出SQTS算法,采用网格索引结构,对元组进行标记,排除部分非Skyline点集;引入SD队列触发Skyline维护,避免过期数据点的频繁排查,提高多维空间下的Skyline计算效率.仿真实验结果表明,SQTS算法在多维流数据环境下,提高了Skyline点集的计算效率,验证了算法有效性.     

基于神经网络的多维非线性模型参数估计

本文详细研究了多层ＢＰ神经网络的特性，并提出了基于预畸变处理的广义线性模型参数估计方法。借助于函数组合器，提出了基于神经网络的多维非线性模型参数估计算法，从而为多维非线性参数辨识和分析提供一种有效途径。模拟结果表明，本文所提出的多维非线性模型参数估计方法是成功的。     

人工神经网络在CRT色空间变换的应用

提出一种基于人工神经网络的色空间变换方法。该方法利用神经网络的非线性变换的特点，他既解决了RGB色彩空间到CIELAB色彩空间的非线性变换，又可用于其他的色彩空间转换。并对网络的学习，变换的色差进行了分析。如果采用硬件的神经网络，有望实现实时变换。     

大视场空间相机侧摆成像时几何参数分析

为了提高大视场空间相机物距、投射角、地面像元分辨率、幅宽等几何参数的计算精度,研究了星下点成像与侧摆成像时上述几何参数的精确计算方法。在全面考虑地球曲率和投射角的基础上,建立了相应的几何模型,改进了大视场空间相机几何参数计算方法。根据仿真分析,对于轨道高度650 km、半视场40的空间相机,当侧摆20时,垂直线阵方向像元分辨率的最大值是最小值的2.31倍,是传统计算方法的1.78倍;平行线阵方向像元分辨率的最大值是最小值的7.16倍,是传统计算方法的4.29倍;幅宽是传统计算方法的1.33倍。因此,传统计算方法存在较大的误差,提出的精确计算方法对于提高大视场空间相机成像质量具有重要意义。     

多维频谱空间下的动态频谱管理研究

根据频谱管理现状,阐述了多维频谱空间的内涵及研究意义,提出了以多维频谱空间作为动态频谱管理工具的思想,分析了可实现该思想的技术手段,即自适应的频谱利用新技术,并从频谱管理法规和频率指配程序两方面给出了相应的实施建议.     

多维数据分析处理技术

本文研究了基于大数据下的多维数据分析处理方法:针对大数据的多维离散拘束高效分析处理方法。该方法采用空间重构方法对多维数据采取离散映射,找到最小嵌入维数和最合适的时延构造信息流模型,并采用模糊聚类算法求解初始聚类中心搜索目标函数,从而获取到多维数据的最优聚类中心,利用优化算法实现聚类优化完成多维数据的高效聚类,仿真实验结果证明了该方法的可行性,提高计算效率。     

Analog VLSI Implementation of Artificial Neural Networks with Supervised On-Chip Learning

Analog VLSI on-chip learning Neural Networks represent a mature technology for a large number of applications involving industrial as well as consumer appliances. This is particularly the case when low power consumption, small size and/or very high speed are required. This approach exploits the computational features of Neural Networks, the implementation efficiency of analog VLSI circuits and the adaptation capabilities of the on-chip learning feedback schema.Many experimental chips and microelectronic implementations have been reported in the literature based on the research carried out over the last few years by several research groups. The author presents and discusses the motivations, the system and circuit issues, the design methodology as well as the limitations of this kind of approach. Attention is focused on supervised learning algorithms because of their reliability and popularity within the neural network research community. In particular, the Back Propagation and Weight Perturbation learning algorithms are introduced and reviewed with respect to their analog VLSI implementation.Finally, the author also reviews and compares the main results reported in the literature, highlighting the efficiency and the reliability of the on-chip implementation of these algorithms.     

人工神经元网络的智能神经元模型

本文在仔细分析神经网络知识存储方式的基础上,指出了现有存储方式的严重不足;由大量具有简单处理能力的神经元组成的神经网络,虽然具有一定的智能处理能力,但由于每个神经元不具备复杂的处理能力,故必然导致由此构成的网络存在着诸如局部极小,收敛速度缓慢、推广能力差等缺点,尤其是难于用于实时处理系统,大大限制了神经网络的应用范围。为此,本文提出了一种新的智能型神经元模型并将它与常用的神经元模型进行了比较,后续     

人工神经网络与遗传算法的结合：进展及展望

近来，人工神经网络（ＡＮＮ）与遗传算法（ＧＡ）结合的研究引起了人们的极大注意。本文综述了这一领域的发展现状，并试图从两者的结合上分为辅助式及合作式两种结合方式，对于辅助式结合，ＧＡ不仅能为ＡＮＮ选择训练数据，也可用来选择网络的学习参数或学习规则，而且可利用ＧＡ解释或分析ＡＮＮ的结果；对于合作式结合，主要论述了ＧＡ作为ＡＮＮ的一种权重训练方法的不足和长处，同时评述了它与ＢＰ训练算法的优缺点，最后着重综述了利用ＧＡ自动优选ＡＮＮ的各种方法。     

关于单体模糊神经网络感知机收敛定理的讨论

考虑单体模糊神经网络模型,讨论了单体模糊神经网络的感知机收敛定理与传统神经网络感知机收敛定理的关系,指出了在证明单体模糊神经网络的感知机收敛定理时存在的问题,提出了两种修改方案,即给出了两个改进的感知机收敛定理,并给出相应的证明和说明.     

基于LabWindows/CVI的人工神经网络BP算法的实现

提出了一种BP学习算法的改进算法，与传统BP算法相比，本算法针对传统BP算法收敛速度较慢的缺点，提出了两点改进：一是选用奇函数作为激励函数；二是改进了学习过程中不随误差变化的误差反向传播因子，并给出了该算法在LabWindows／CVI环境下的实现方法。程序运行表明，本算法使学习速度有了较显著的提高。     

仿生模式识别(拓扑模式识别)——一种模式识别新模型的理论与应用

本文提出了一种模式识别理论的新模型,它是基于"认识"事物而不是基于"区分"事物为目的.与传统以"最佳划分"为目标的统计模式识别相比,它更接近于人类"认识"事物的特性,故称为"仿生模式识别".它的数学方法在于研究特征空间中样本集合的拓扑性质,故亦称作"拓扑模式识别"."拓扑模式识别"的理论基点在于它确认了特征空间中同类样本的连续性(不能分裂成两个彼此不邻接的部分)特性.文中用"仿生模式识别"理论及其"高维空间复杂几何形体覆盖神经网络"识别方法,对地平面刚体目标全方位识别问题作了实验.对各种形状相像的动物及车辆模型作全方位8800次识别,结果正确识别率为99.75%,错误识别率与拒识率分别为0与0.25%.     

人工神经网络控制的实时仿真系统

为了观测使用人工神经网络作为控制器的实际的自动控制系统的控制效果,我们开发了一种实时闭环仿真系统.该仿真系统具有两个独立的部分:一部分是被控对象部分,由PC计算机计算被控对象的数学模型来模拟;另一部分为控制器部分,由真正的神经网络硬件实现.两部分由硬件接口电路连接在一起.此仿真系统工作于真正的时间轴中,即数学模型中的时间常数不再仅仅是计算中的参数而是反映真正的时间长度,它满足检验用于实际系统的神经网络控制器性能的需要.实验结果表明,此实时仿真系统对于设计基于人工神经网络的控制系统是一种有用的工具.     

高阶Hopfield型神经网络的定性分析

本文讨论高阶连续型Hopfield神经网络平衡态的性质,包括平衡态的存在唯一性和稳定性.借助于Banach不动点原理和Lyapunov方法得到了若干平稳态存在唯一和全局渐近稳定的充分条件.作为特例,获得了一阶连续型Hopfield神经网络稳定性的新判据.     

Mobile Station Positioning Using GSM Cellular Phone and Artificial Neural Networks

In this paper, we describe a novelapproach to mobile station positioning using a GSMmobile phone. The approach is based on the use of aninherent feature of the GSM cellular system (themobile phone continuously measures radio signalstrengths from a number of the nearest base stations(antennas)) and on the use of this information to estimatethe phone's location. The current values of the signalstrengths are processed by a trained artificial neuralnetwork executed at the computer attached to themobile phone to estimate the position of the mobilestation in real time. The neural network configurationis obtained by using a genetic algorithm that searchesthe space of specific neural network types anddetermines which one provides the best locationestimation results. Two general methods are explored:the first is based on using a neural network forclassification and the second uses functionapproximation. The experimental results are reportedand discussed.