基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络（DSN）的半监督特征学习方法,无监督特征学习的过程由多个受限玻尔兹曼机（RBM）的并行训练完成,将训练得到的参数用于DSN的输入权值初始化,再采用批量模式的梯度下降法进行监督微调。将所提方法用于运动想象脑电信号特征提取及识别,实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式（CSP）和深度信念网络（DBN）等算法,该方法可用于提高BCI系统中脑电信号的识别准确率。     

基于BP神经网络的印刷体数字识别研究

BP神经网络是一种误差逆传播算法训练的多层前馈网络,具备网络学习能力强、输入/输出模式映射关系存贮量大、事先不需要描述输入/输出映射关系等诸多优点的数学方程。本文通过BP神经网络的介绍,利用不变矩特征提取方法设计一种有效的BP神经网络印刷体数字识别演示系统,对印刷体数字识别的深入研究具有一定的指导意义。     

基于自组织特征映射网络的纹理分类研究

提出了基于自组织特征映射网络（ＳＯＭ）的纹理分类方法。采用了适合纹理分析的纹理谱（ＴＳ）的概念，并在分类过程中引入了纹理谱特征向量，纹理谱向量是ＴＳ经过降维处理得到的。该特征向量反映了空间模式的纹理特征。在学习（训练）与分类识别中，采用了神经元网络模型。与ＴＳ相对应的特征向量重复地送入ＳＯＭ网络的输入端，网络的权向量则逐渐地将样本值聚类到各自的样本中心。计算机模拟实验表明，作者提出了纹理分类方案十     

基于模糊距离的BP网络板形信号模式识别的研究

介绍了一种新的板形信号模式识别方法。该方法基于待识别信号与标准样本之间的模糊距离。并将模糊距离作为ＢＰ网络的输入，有效地解决了在板材宽度变化时神经网络的拓扑结构形式不变的问题。     

基于自适应共振理论的结构损伤识别

目的基于自适应共振理论,提出一种基于ART2神经网络的结构损伤识别方法,以实现结构损伤识别的自主学习.方法采用一种改进算法来解决ART2方法中对输入矢量必须是非负实数的要求,并通过主成分分析方法对网络的输入矢量进行降维处理.结果通过对健康监测基准问题模型的计算表明,所采用的改进算法使得网络的输入扩展到整个实数域,且主成分分析方法有效地降低了输入矢量的维数,减少了网络的学习训练时间,从而提高了网络的泛化和判别决策能力.结论基于ART2神经网络的结构损伤识别方法具有自组织、反馈式增量学习机能,能够在不破坏原有记忆样本的情况下,学习新的样本,可以在较强噪声环境下快速准确地识别损伤,适宜于结构损伤的在线监测.     

一种用于时空模式识别的综合神经网络

介绍了一种用于时空模式识别的综合神经网络模型，称为ＴＳ－ＬＭ－ＳＯＦＭ．该网络的顶层是一种称为ＴＳ（ｔｅｍｐｏｒａｌｓｅｑｕｅｎｃｅ）的单层时序识别网络，可以把时序模式转换成抽象的空间模式．该网络的底层是ＳＯＦＭ（自组织特征映射网络），用于空间模式特征检测．ＬＭ（学习矩阵）用于上述两层的联接．在实验中，用移动机器人超声阵列传感器作为输入训练，结果表明，该神经网络输出的模式能够较好地抽象表示输入信号的时空特征．     

基于自组织特征映射网络的纹理分类研究

提出了基于自组织特征映射网络（ＳＯＭ）的纹理分类方法。采用了适合纹理分析的纹理谱（ＴＳ）的概念，并在分类过程中引入了纹理谱特征向量，纹理谱向量是ＴＳ经过降维处理得到的．该特征向量反映了空间模式的纹理特征．在学习（训练）与分类识别中，采用了神经元网络模型．与ＴＳ相对应的特征向量重复地送入ＳＯＭ网络的输入端，网络的权向量则逐渐地将样本值聚类到各自的样本中心．计算机模拟实验表明，作者提出的纹理分类方案十分有效而且实用．本方案计算量小，学习周斯短，识别率高．本文最后给出了实验结果及分析．     

基于位置和程度指标的结构损伤识别研究

为提高结构损伤识别的精度,提出基于动、静态数据融合的位置指标和完全基于频率的位置指标,并采用学习速率自适应调整的新型BP神经网络学习算法,其特点是在网络迭代过程中根据网络学习误差来调整学习速率的取值,该方法有效地克服了传统BP网络学习过程中容易陷入局部极小和收敛速度慢、学习效率不高的缺点,进一步讨论了参数输入方式对网络识别效果的影响,分别采用两步诊断法和一步诊断法进行损伤识别.结果显示,两步诊断法对损伤位置和程度的识别正确率较高,而一步诊断法识别效果却不令人十分满意;减少位置指标和程度指标的输入个数对损伤识别结果有显著的影响.     

基于自适应BP神经网络的桥梁结构荷载识别

在传统的BP神经网络中引入学习速率自适应调整算法，通过多次数值模拟计算确定学习速率和动量系数等网络 关键参数的取值；分析了学习速率、动量系数等网络参数对网络收敛速度和输出精度的影响；探讨了训练样本容量与网 络识别效果的关系.分别使用挠度、挠度曲率、应变和应变曲率作为输入参数对桁架桥梁荷载进行识别.结果显示以挠度 曲率或应变曲率为输入参数的网络识别效果明显优于以挠度或应变为输入参数的网络，以应变为输入的网络识别效果优 于挠度的情况；学习速率自适应调整算法有效避免了网络训练过程中误差曲线振荡现象的产生，提高了网络的学习效率 ，网络关键参数的最优取值改善了网络的收敛速度和输出精度     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

存在房形事件的故障树向贝叶斯网络的转化

为完善基于贝叶斯网络的故障树分析方法,提出了保持贝叶斯网络拓扑结构不变、扩展某些事件节点的状态空间、保持事件节点状态空间不变、调整贝叶斯网络的拓扑结构,两种将存在房形事件的故障树转化为贝叶斯网络的方法.对这两种方法的优劣进行了比较,通过对简化的核电站辅助给水系统的分析,验证了上述方法的正确性.     

含权二部图复杂动力网模型及权值识别

提出了一类含权的二部图复杂动力网络模型,运用自适应反馈控制技术,通过构造驱动响应结构的同步网络,给出了网络权值识别的一般方法。应用LaSalle不变集原理从理论上证明了结论,并以混沌Lorenz系统和Lü系统为例进行数值仿真,结果验证了所给方法的有效性。     

基于Zernike矩和BP网络的道路交通标志识别方法研究

道路交通标志的背景相当复杂,颜色失真严重并存在不同程度的几何失真现象。不变矩是图像的一种统计特征,具有平移不变性、旋转不变性和比例缩放不变性,被广泛的应用于图像识别中。在研究了Hu矩和Zerni—ke矩基础上,提出基于Zernike矩与BP网络相结合的道路交通标志识别方法。识别过程分别对图像进行了Hu矩和Zernike矩特征提取、BP网络训练与测试、对形变图像进行分类识别。结果表明：基于Zernike矩和BP网络的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力,实现简单、训练速度快、识别率高等特点,且识别准确率优于Hu不变矩目标自动识别。     

解广义二次规划的神经网络

考虑了广义二次规划问题，基于其鞍点的充要条件，提出了求解它的一个神经网络，运用Ly1punov稳定性理论与LaSalle不变原理证明了该网络是稳定的，并且收剑于一个精确解。模拟实验表明新模型不仅是有效的，而且非常可靠。     

Intelligent Information Processing in Imaging Fuzes

In order to study the problem of intelligent information processing in new types of imaging fuze,the method of extracting the invariance features of target images is adopted,and radial basis function neural network is used to recognize targets.Owing to its ability of parallel processing,its robustness and generalization,the method can realize the recognition of the conditions of missile-target encounters,and meet the requirements of re-al-time recognition in the imaging fuze.It is shown that based on artificial neural network target recognition and burst point control are feasible.     

基于SIFT字典学习的引导滤波多聚焦图像融合

目前多数多聚焦图像融合算法仅仅针对解决某一类问题,如融合结果的局部细节保留能力差、空间连续性不足和对未配准的源图像鲁棒性差等.为能够同时解决以上问题,提出了一种基于SIFT字典学习的引导滤波多聚焦图像融合算法.该算法通过学习子字典克服了图像低秩表示具有全局性而局部细节描述不足的缺陷,同时子字典的分类利用图像SIFT特征的平移不变、尺度不变等特性,消除了未配准源图像融合结果出现伪影的现象.此外,在源图像的低秩表示系数融合过程中引入引导滤波,增加了融合图像的空间连续性.引导滤波的窗口大小是根据特征内容和非特征内容进行自适应选取,即属于特征内容的点选取较小的窗口,而属于非特征内容的点选取较大的窗口.为验证算法的有效性,实验过程中选取6组数据,包括3组广泛应用于研究的多聚焦图像以及3组实际拍摄的多聚焦图像.实验结果表明,该算法从主观视觉效果的定性分析和客观融合质量评价的定量分析都优于当前主流的多聚焦图像融合算法.     

Hybrid Synchronization of Fractional-Order Complex Networks Model via Fractional Order Controller

基于分数阶控制器的复杂网络混合同步

丁大为,孔娜娜,王年,梁栋

（安徽大学 电子信息工程学院,合肥 230601）

创新点说明：

1）研究了由分数阶超混沌节点构成的驱动-响应复杂网络混合同步问题,即驱动-响应网络的外同步和每个网络的内同步。

2）通过引入分数阶控制器,实现了具有分数阶超混沌节点的两个耦合复杂网络混合同步。

将发生在一个耦合网络的同步称为内同步,两个耦合网络之间的同步称为外同步。一般来说,内同步被认为是复杂动态网络的典型同步方式,即在一个网络内所有节点的同步,已被广泛研究。另一方面,两个复杂网络之间的外同步,也已被讨论。然而,内同步和外同步在上述的研究中没有同时讨论。如今,复杂网络的混合同步在我们的日常生活中无处不在。一个重要的例子,传染性疾病在不同社区之间和同一社区之间的传播。因此,如何实现两个网络的混合同步,即每个网络的内同步和两个不同网络的外同步,是非常有趣和必要的工作。最近,混沌或超混沌系统的混合同步引起了不少的关注,而这些研究是利用不同的控制方法实现的混合同步,两个耦合网络的混合同步通过分数阶控制器还没有被研究过。为此,本文将针对分数阶控制器对两个耦合分数阶复杂网络进行混合同步控制研究。

研究目的：

本文主要研究了由分数阶超混沌节点构成的驱动-响应复杂网络混合同步问题。通过引入控制器,实现两个耦合分数阶复杂网络的混合同步,即包括两个网络的外同步和每一个网络的内同步。

研究方法：

通过引入分数阶控制器,研究了具有分数阶超混沌节点的两个耦合复杂网络混合同步问题。基于Lyapunov稳定性理论和LaSalle不变性原理,提出了两个耦合网络混合同步的一些充分条件。最后给出分数阶超混沌Lorenz系统的内同步和外同步实验仿真说明理论分析的正确性。

结果：

理论分析表明,在一些合适的条件下,两个耦合网络可以达到混合同步,即驱动-响应网络的外同步和每个网络的内同步。在实验部分给出了分数阶超混沌Lorenz系统的数值模拟,证明了所提出方法的有效性。

结论：

本文提出一个分数阶控制器和超混沌复杂网络的混合同步定律。根据Lyapunov稳定性理论和LaSalle不变性原理,获得两个耦合网络混合同步的一些充分条件。在适当条件下,两个耦合分数阶复杂网络可以实现混合同步：驱动网络和响应网络之间的外同步,驱动网络和响应网络的内同步。 最后,分数阶超混沌Lorenz系统的数值模拟验证了理论分析的正确性。

关键词：混合同步;复杂网络;分数阶控制器;Lyapunov稳定性理论;LaSalle不变性原理

     

高校基于云服务的网络学习空间建设研究

基于云服务提出在高校校园网内建设网络学习空间。网络学习空间包括数据中心、软件平台和学习平台。数据中心提供IaaS服务,向用户提供虚拟机。在虚拟机上安装软件、存放教学资料,提供统一的教学软件平台。学习平台提供虚拟机申请、虚拟实验室、网络课程和资源共享等功能。首先完成了网络学习空间架构分析,然后进行了系统设计,最后深入分析了学习平台中不同服务的工作流程或实现方式。为实现基于云服务的网络学习空间的建设提供了可行思路和具体的设计方案。     

自顶向下优化神经网络的方法

介绍了一种自动优化神经网络的新启迪方法.这种启迪方法综合采用了快速自顶向下优化神经网络结构算法、动态优化学习参数算法和快速交叉校验算法.首先,快速自顶向下优化神经网络结构算法自动地优化神经网络结构;其次,动态优化学习参数算法动态地调整学习参数和选取优化的学习参数;随后,快速交叉校验算法的引入能有效地防止过度适应问题.实验结果显示,这种启迪方法与其它算法相比,具有更强的归纳性能、优化的网络结构和更快的学习速度.     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。