神经网络在汽车车型自动识别中的应用

将ANN理论应用于汽车车型的自动识别，讨论了车型图像预处理、特征抽取、网络模型选取、网络结构设计、学习算法等问题，并提出一种分阶段的训练方法。对三类车型的36对样本做训练和测试实验，实验结果表明，所采用的训练算法优于传统BP算法和共轭梯度法，所设计的网络能快速有效地识别汽车车型。     

人工神经网络在公路车辆管理中的应用

介绍了利用ＢＰ网络自动识别汽车车型的实验系统。该系统能在线识别汽车车型，并能在显示器上给出车型属性。介绍了识别系统结构、ＢＰ网络的学习算法、特征的选取及识别结果。整个实验是在５８６／１３３微机上用Ｃ＋＋编程实现的，分类效果良好。     

基于神经网络的汽车车型图象自动识别

提出了一种利用前向三层神经网络及计算机视觉技术对汽车车型进行自动识别的方法,包括汽车车型图象的分割、特征提取以及基于前向三层神经网络的自动识别和分类。文中的所有算法均在５８６／１３３ 微机上实现,识别和分类效果良好。     

基于神经网络的汽车车图象自动识别

提出了一种利用前向三层神经网络及计算机视觉技术对汽车车型进行自动识别的方法,包括汽车车型图象的分割,特征提取以及基于前向三层神经网络的自动识别和分类,文中的所有算法均在５８６／１３３微机上实现,识别和分类效果良好。     

汽车混流总装线投产排序优化研究

汽车混流总装线上交替装配不同型号的汽车产品,不同型号的汽车在同一装配工位上装配的零部件可能不同,如果不对车型的投产顺序加以优化排序,连续投入一种相同的车型,会使同一个工位的零部件消耗率严重不均衡.为了使各装配工位的零部件消耗率达到均匀化和平准化,本文采用模拟退火优化算法,对车型上线序列进行优化,最后的实例验证表明算法是可行的.     

深度卷积神经网络的汽车车型识别方法

针对现有汽车车型识别方法计算量大、提取特征复杂等问题,提出一种基于深度卷积神经网络的汽车车型识别方法。该方法借助于深度学习,对经典的卷积神经网络做出改进并得到由多个卷积层和次抽样层构成的深度卷积神经网络。根据五种车型的分类结果,表明该方法在识别率方面较传统方法有明显的提高。实验还研究了网络层数、卷积核大小、特征维数对深度卷积神经网络的性能和识别率的影响。     

高速公路网入口流量控制的双层规划模型及算法

建立双层规划模型用于解决高速公路网的入口流量控制问题。提出了一种结合遗传算法和Aloplex算法的新算法——GAA算法来求解双层规划问题。实验结果表示，GAA算法在求解双层规划问题上优于遗传算法；分车型测算得出进入路网的流量使上层目标函数值更小（相对于单车型情况），并且使路网利用程度得到进一步的提高。     

基于改进型GLVQ算法的车型分类研究

学习向量量化（LVQ）和泛化学习向量量化（GLVQ）算法都是采用欧氏距离作为相似性度量函数, 忽视了向量各维属性的数据取值范围,从而不能区分各维属性在分类中的不同作用。针对该问题,使用一种面向特征取值范围的向量相似性度量函数,对GLVQ进行改进,提出了GLVQ-FR算法。使用视频车型分类数据进行改进型GLVQ和LVQ2.1、GLVQ、GRLVQ、GMLVQ等算法的对比实验,结果表明：GLVQ-FR算法在车型分类中具有较高的分类准确性、运算速度和真实生产环境中的可用性。     

电子诊断在现代化汽车维修技术中的应用分析

随着经济社会的发展，汽车维修技术业已成为一种热门的行业。它不但是道路运输的技术后勤保障，也是道路运输行业不可缺少的重要组成部分。随着汽车车型、技术、设备的不断变化，也会进一步给汽车维修技术带来了新的挑战，我们只有不断学习新的技术，适应技术变革的要求，才能在汽车维修行业，开拓出一片广阔的天地，但是，在行业发展和技术进步的同时，汽车维修行业中也存在的一系列问题，又使得我们必须做出进一步的研究和解决，以丰富汽车维修行业的内涵。     

基于改进遗传算法的汽车混流装配线排序优化

针对汽车混流装配线投产排序问题,建立一个最小生产循环周期内以各工位总等待装配时间最短为目标的数学模型.为解决标准遗传算法(SGA)收敛速度慢的缺陷,设计改进遗传算法(IGA)求解该问题.提出一种基于"定长"实数编码和"定序模式"的自适应单点交叉操作避免不可行解的产生,并在选择操作中引入精英保留策略,保留优良个体不被破坏,以提高收敛速度.通过实例分析及其数据基础,基于MATLAB平台开发算法程序,将SGA与IGA做对比分析,分别求解该模型并得到最优车型排序,并用Flexsim软件分别对以上两种算法得到的最优车型排序和该企业实际生产中的车型排序进行仿真,验证了该改进算法的有效性.     

基于强化学习的多移动Agent学习算法

结合强化学习技术讨论了单移动Agent学习的过程,然后扩展到多移动Agent学习领域,提出一个多移动Agent学习算法MMAL(MultiMobileAgentLearning)。算法充分考虑了移动Agent学习的特点,使得移动Agent能够在不确定和有冲突目标的上下文中进行决策,解决在学习过程中Agent对移动时机的选择,并且能够大大降低计算代价。目的是使Agent能在随机动态的环境中进行自主、协作的学习。最后,通过仿真试验表明这种学习算法是一种高效、快速的学习方法。     

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制，将神经网络引入迭代学习控制中。学习控制与自适应控制相结合，使得对网络权值的学习和跟踪控制同时进行，克服 了经典迭代学习控制的一些缺陷。基于Lyapunov直接方法，证明了整个控制系统的稳定并实现了任意精度的跟踪。实例仿真结果说明了算法 的有效性及其所具有的优点。     

一种基于ILP和ASP的学习B语言描述的动作模型方法

动作模型学习可以使Agent主动适应动态环境中的变化,从而提高Agent的自治性,同时也可为动态域建模提供一个初步模型,为后期的模型完善和修改提供了基础.通过结合归纳逻辑程序设计(Inductive Logic Program-ming,ILP)和回答集程序设计(Answer Set Programming,ASP),设计了一个学习B语言描述的动作模型算法,该算法可以在混合规模的动态域中进行学习,并采用经典规划实例验证了该学习算法的有效性.     

汉字智能书写及其算法

在计算机上演示汉字的规范书写过程，是许多汉语教学软件和电子汉语词典所追求的功能。提出了一种汉字智能书写的算法。该算法通过预制作收集并保存汉字的书写过程信息，书写时根据这些信息，动态地产生起笔落笔、速度变化、语音提示等各种书写效果.文中给出的算法预制作简单、数据量极小，适合于各种多媒体汉语教学软件和电子汉语词典中使用。     

基于并行框架的鲁棒自适应前景检测算法

视频监控数据TB级的增长,从海量视频数据中高效准确的分离出视频监控场景中的运动物体,是计算机视觉领域的研究重点和挑战。提出了基于云平台的视频数据处理的并行计算框架及一种改进的基于混合高斯模型(GMM)的自适应前景提取算法,通过对混合高斯分布的自适应学习和在线 EM(期望最大化)算法获得最优参数组合,并将改进算法融合到视频处理并行计算框架。实验结果表明,该方法不但能大大提高视频处理的效率,并对复杂环境下准确提取前景目标也有良好的鲁棒性。     

一种基于近邻保留的相关反馈图像检索算法

图像检索中很多时候会出现相关反馈提供的标注样本数不足,从而导致监督学习方法面临过适应问题的困扰。提出一种能有效使用未标记数据的半监督新型算法:近邻保留回归算法,它通过使已标记数据的观测误差函数最小化,来选择综合性能最好的回归函数,以兼顾图像的语义特征及图像空间的几何结构,并解决过适应问题。实验结果证明,算法能有效提高图像检索系统的性能。     

LEARNING OF RESOURCE ALLOCATION STRATEGIES FOR GAME PLAYING

Human chess players exhibit a large variation in the amount of time they allocate for each move. Yet, the problem of devising resource allocation strategies for game playing has not received enough attention. In this paper we present a framework for studying resource allocation strategies. We define allocation strategy and identify three major types of strategies: static, semi-dynamic, and dynamic. We then describe a method for learning semi-dynamic strategies from self-generated examples. We present an algorithm for assigning classes to the examples based on the utility of investing extra resources. The method was implemented in the domain of checkers, and experimental results show that it is able to learn strategies that improve game-playing performance.     

基于多层感知机和RBF转换函数的混合神经网络

为了更有效地优化前向神经网络的求解能力，提出了一种新的综合的转换函数，将多层感知机和RBF神经网络更有机地结合起来，以产生灵活的决策边界。在此基础上推导出了相应的学习算法。并通过对实际的模式分类问题的仿真，将文中的方法与带动量项BP算法、CSFN、RBF等算法进行了比较，验证了其有效性。     

道路网络中k路径最近邻居针对两种目标点的应用

提出一种道路网络中针对两种不同类型目标点的k组路径最近邻居查询,这是一种新的查询:给出用户希望到达的终点位置以及两组目标点集合,这种查询返回连接用户当前位置和终点位置的最短路径,以及相对于这条最短路径的k组路径最近邻居,每组包含两个不同类型的目标点,将这种查询命名为k-PNNT.提出了一种典型的过滤-精炼算法得到k-PNNT及对应的最短路径,并且在实际道路网络中进行了实验.实验证明,算法可行,有效.     

运用时间分类树的确定单时钟时间自动机学习

时间自动机的模型学习算法旨在通过提供输入和观察输出构建软硬件系统的形式化模型.确定性单时钟时间自动机的学习是其中的一个重要研究方向, 但是该算法具有一定的局限性, 在状态较多时学习速度较慢, 很难应用到复杂的系统中.由此, 我们提出了一种改进的学习算法, 使用逻辑时间分类树代替逻辑时间观察表作为学习算法的内部数据结构, 有效地减少了成员查询次数, 降低了算法的空间复杂度, 并能够高效率地构建假设自动机.最后我们进行了相关实验, 实验结果表明, 本文提出的改进算法减少了60%左右的成员查询和5%左右的等价查询.同时在该实验中, 改进算法的学习速度最高可提高45倍以上.