基于仿生模式识别的构造型神经网络分类方法*

从BP神经元模型和RBF神经元模型几何意义出发,将仿生模式识别理论引入到神经网络分类中,提出了一种基于仿生模式识别的构造型神经网络分类方法,通过构造不同结构神经元结合的神经网络,实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖。实验证明该算法是非常有效的。     

最小球覆盖几何算法及其在模式识别中的应用

通过对高维空间中超弦角(Hyper-Chord Angle)的定义,引出一种高维最小球覆盖的几何算法.结合RBF神经元和优先度排序网络,高维最小球覆盖算法可以有效解决模式识别中若干类样本的分类问题.超弦角的定义也为其他高维空间几何问题的研究提供新思路.     

一种新的基于构造型神经网络分类算法

该文提出一种基于构造型神经网络的最大密度覆盖分类算法，该算法直接从样本数据本身入手，通过引入一个密度估计函数对样本数据进行聚类分析，找出同类样本中具有最大密度的样本数据点，然后在特征空间里作超平面与球面相交，得到一个球面领域覆盖，从而将神经网络训练问题转化为点集覆盖问题．该算法有效地克服了传统神经网络训练时间长、学习复杂的问题，同时也考虑了神经网络规模的优化问题，实验证明了该算法的有效性．     

一种新的基于构造型RBF神经元网络分类算法

依据RBF神经元模型的几何解释,提出一种新的构造型神经网络分类算法.首先从样本数据本身入手,通过引入一个密度估计函数来对样本数据进行聚类分析;然后在特征空间里构造超球面,以逼近样本点分布的几何轮廓,从而将神经网络训练问题转化为点集＂包含＂问题.该算法有效克服了传统神经网络训练时间长、学习复杂的缺陷,同时也考虑了神经网络规模的优化问题.实验证明了该算法的有效性.     

基于DCT与LDA的仿生人脸识别研究

针对基于DCT变换与LDA的人脸识别方法识别率低和特征提取过程中维数也低,以及基于K-L变换的仿生人脸识别方法识别率高和特征提取过程中维数也过高的问题,结合两者的优点,提出了一种基于DCT与LDA变换的仿生人脸识别的方法。通过DCT变换与LDA对训练人脸样本进行特征提取,通过核函数将提取的特征映射到高维空间,构建各类样本的覆盖区域,再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。在Yale和ORL人脸库上的实验证明提出的方法取得了较好的识别效果。     

仿生模式识别理论在性别识别中的应用

基音频率是语音信号中的重要参数,也蕴涵了区分性别的主要特征。在仿生模式识别的理论基础上,提出一种高维空间连续神经元覆盖算法,以基音频率为特征,将该算法应用于语音信号的性别识别。实验表明,仿生模式识别理论在进行划分时取得了很好的效果,只需要50个训练样本就可以得到较高的正确识别效果。     

基于高维空间几何的PSO-BP神经网络图像复原

针对退化图像复原问题,提出了一种基于高维空间几何理论(HDSG)的PSO-BP神经网络图像复原方法。高维空间几何理论中的同胚映射和同源连续性原理,把图像映射为高维空间中的一个点,通过回归原模糊图像和由此图像衍生出的几幅更加模糊的图像对应在空间中几个点的分布曲线,得到清晰的复原图像。在该理论基础上,用PSO-BP神经网络来确定高维空间中各点的关系,通过对训练样本的学习训练,在三幅退化图像与原始清晰图像之间建立映射关系,然后用训练好的网络对测试样本进行复原。对比实验表明,该方法在主观视觉和定量分析上都获得了较好的效果。     

一种新的基于神经网络覆盖分类算法

为了克服传统神经网络算法在处理分类问题时训练时间长、泛化能力弱的不足，提出了一种新的基于构造型神经网络覆盖分类算法，该算法通过在超球面上对样本数据进行聚类分析，找出同类样本中未被覆盖样本的最大密度点，然后在特征空间里做超平面与球面相交，得到球面领域覆盖，从而将神经网络训练问题转化为点集覆盖问题，同时也考虑了神经网络规模的优化问题。实验结果证明了该算法的有效性。     

一种新的RBF神经元网络分类算法

为了改善对人工神经网络行为的认识和研究中的"黑匣子"式的难以处理的状态,基于RBF神经元模型的几何解释,提出了一种新的RBF神经网络分类算法,算法把RBF神经元看作是高维空间里的超球面,从而将神经网络训练问题转化为点集"包含"问题.同传统的RBF网络相比,算法能够自动地优化RBF网络中核函数的个数、中心和宽度,同时,省去了传统RBF神经网络输出层线性连接权的计算,简化了网络的学习过程,大大缩短了训练时间,并且通过实验证明了算法的有效性.     

基于粗糙集理论和构造型神经网络的分类算法研究

提出将Rough集理论与构造型神经网络覆盖算法相结合,用Rough集理论提取保持信息完整的最小属性集后构造覆盖网络,提高了覆盖算法的泛化能力,而对于属性不完备信息系统进行粒度处理后再构造覆盖网络,能解决覆盖算法对不完备信息系统的分类.实验结果表明该算法能提高覆盖算法的应用范围和对不完备信息系统的知识发现.     

基于非线性距离和夹角组合的最近特征空间嵌入方法

最近特征空间嵌入NFSE方法在训练过程中选取最近特征空间时采用传统的欧氏距离度量会导致类内离散度和类间离散度变化同步;测试时,最近邻规则也使用欧氏距离度量,而高维空间样本间直线距离具有趋同性。这些都会降低识别率,为解决此问题,提出了基于非线性距离和夹角组合的最近特征空间嵌入方法。在训练阶段,该方法使用非线性距离度量选取最近特征空间,使类内离散度的变化速度远小于类间离散度的变化速度,从而使转换空间中同类样本距离更小,不同类样本距离更大。在匹配阶段,使用结合夹角度量的最近邻分类器,充分利用样本相似性与样本夹角的关系,更适合高维空间中样本分类。仿真实验表明,基于非线性距离和夹角组合的最近特征空间嵌入方法的性能总体上优于对比算法。     

A stochastic realization approach to the smoothing problem

The purpose of this paper is to develop a theory of smoothing for finite dimensional linear stochastic systems in the context of stochastic realization theory. The basic idea is to embed the given stochastic system in a class of similar systems all having the same output process and the same Kalman-Bucy filter. This class has a lattice structure with a smallest and a largest element; these two elements completely determine the smoothing estimates. This approach enables us to obtain stochastic interpretations of many important smoothing formulas and to explain the relationship between them.     

智能神经网络组成原理在汉字识别中的应用

应用智能神经网络组成原理，研究了将传统神经网络完成的复杂任务划分为子任务，分配给功能专一，结构简单的较小的智能神经网络完成，在此基础上，构筑功能完善的较大的智能神经网络的方法。同时，通过加入推理规则，提高了网络获得取知识的速度，实验表明，智能神经网络组成原理为解决大规模，复杂的问题提供了一种有效途径。     

浅析物联网安全问题及应对措施

世界经济全球化的逐步发展,加强了世界各个地区之间的联系,促进全球性网络互联网的使用量不断增加,同时,也带动了新一代信息技术物联网的发展.随着物联网的引进,与其他所有网络一样,它的安全系数是否符合标准被摆在了突出位置.物联网作为刚发展起来的新兴技术产业,既存在优势,又存在不足,如何合理协调好两者之间的关系,使得物联网更好的造福于人民,是引进和发展物联网必须解决的问题.因此,本文将针对物联网的安全问题提出相应的应对措施.     

Shapes and Other Things

Shape grammars have offered a unique computational theory of design over the past forty or so years. Although the focus of shape grammar theory has been on shapes and designs, the material objects or things that might comply with shapes have also been considered. In this paper, I trace the history of approaches for specifying material properties and things through shape grammars. I identify early trends and their limitations, and then propose a new possibility. In early approaches, material things were viewed through the lens of shapes. I argue for a new approach in which shapes are viewed through the lens of material things. Shape grammars are adapted to define making grammars for computing things. Shapes are just one of many things that can be made with these grammars. I conclude with a discussion of the relationship of designing and making, and suggest that designing is a kind of making.     

Large margin based nonnegative matrix factorization and partial least squares regression for face recognition

In this paper, we present a new method, called large margin based nonnegative matrix factorization (LMNMF), to encode latent discriminant information in training data. LMNMF seeks a nonnegative subspace such that k nearest neighbors of each sample always belong to same class and samples from different classes are separated by a large margin. In the subspace, the local separation structure of data is explicit. The large-margin criterion leads to a new objective function, and a convergency provable multiplicative nonnegative updating rule is derived to learn the basis matrix and encoding vectors. Then, partial least squares regression (PLSR) learns the mapping from the original data to low dimensional representations in order to capture local separation information. PLSR offers a unified solution to out-of-sample extension problem. Extensive experimental results demonstrate LMNMF with PLSR leads significant improvements on classification than several other commonly used NMF-based algorithms.     

区域高斯描绘子及其在物体识别中的应用

为了对几何变形的图像进行正确和有效的识别,对基于物体轮廓的高斯描绘子进行推广,构造了一种基于区域的新的不变量--区域高斯描绘子.构造思路主要有两点:①定义一个具有平移、尺度不变性的函数--区域高斯势函数;②分别计算区域高斯势函数在8个同心圆上的平均值,从而获得8个不变量.这些不变量不仅具有平移、旋转、尺度和反射不变性,而且对噪声不敏感,适用范围广.将区域高斯描绘子应用于物体识别,获得很高的识别率.     

Theorems on the structure of finite dimensional estimation algebras

In this paper we proved several theorems concerning the structure of finite dimensional estimation algebras. In particular, under proper technical assumptions, we proved the following: (1) The observation of a filtering system must be linear if the estimation algebra is finite dimensional. (2) All elements of a finite dimensional estimation algebra belong to a special class of polynomial differential operators. (3) All finite dimensional estimation algebras are solvable.     

Delay-interval-dependent robust-stability criteria for neutral stochastic neural networks with polytopic and linear fractional uncertainties

In this paper, the delay-interval-dependent robust stability is studied for a class of neutral stochastic neural networks with time-varying delays. The time-varying delay is assumed to belong to an interval, which means that the upper bound is known and the lower bound is not restricted to zero. For the neural networks under study, the uncertainty includes polytopic uncertainty and linear fractional norm-bounded uncertainty. Sufficient conditions for the stability of the addressed neutral stochastic neural networks with time-varying delays are established by employing the proper Lyapunov–Krasovskii functional, a combination of the stochastic analysis theory, some inequality techniques and new linear matrix inequality (LMI). Finally, three numerical examples are provided to demonstrate less conservatism and effectiveness of the proposed LMI conditions.