一种并联抑制神经网络结构及学习算法

对普通并联神经元的缺陷进行了分析,提出了一种广义的并联抑制神经元,构造了基于并联抑制神经元的前向神经网络结构,并给出了相应的学习算法。通过对几个模式分类问题的基准问题的测试,将提出的方法与SIANN、BP神经网络进行了比较,验证了提出的网络结构和学习算法的有效性。实验结果表明:单个的GSIN和简单的GSINN可以取得比SIANN和BP网络都好的分类效果。     

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。     

基于ICA和NFL分类的局部人脸识别方法

独立元分析(ICA)[1]作为一种盲信号分离技术,是基于信号的高阶统计特性的分析方法.从数学上讲,独立元分析是一种对多变量数据进行非正交的线性坐标变换的方法,坐标轴的方向由可观察的混合数据的二阶和高阶统计信息确定,变换的目的是使变换后的变量间相互独立.     

一种基于GA优化模糊推理神经网络的新方法

通过对已有的一些基于遗传算法（GA）优化模糊系统方法的分析，指出了它们存在的一些缺陷，提出了一种新颖的基于GA优化模型推理神经网络的方法，并给出了相应的优化算法，这种方法可以对模糊推理系统中的所有结构和参数同时或分别进行优化。在此基础上，还讨论了模糊推理神经网络的精简问题，如无用模糊规则的删除，最后通过实例验证了该方法是一种很有效的方法，具有易理解，精度高，收敛快，泛化能力好且能全局收敛的优点。     

基于仿生模式识别理论的声调识别

基音频率轨迹能比较真实地反映汉语普通话中的声调特性,通过识别不同的基音轨迹来识别声调,是一种较好的方法。根据仿生模式识别理论,提出用迭代自组织数据分析算法(ISODATA)寻找覆盖区中心,运用多权值神经网络对每个聚类中心实现覆盖的方法,实现四种声调的识别。通过实验与隐马尔科夫模型(HMM)和支持向量机(SVM)算法比较,在少量样本的情况下,能得到相对较高的识别率。     

基于多Agent协商的虚拟企业伙伴选择方法

伙伴选择是虚拟企业建立过程中的核心问题,分析了虚拟企业的特点、虚拟企业环境下协商问题的特点,提出了一个适合于虚拟企业环境的多Agent协商模型。该模型支持多Agent多议题的多轮谈判,并将Agent类型引入到协商中来,作为指导协商Agent提议的一个重要因素。在不完全信息的条件下,应用贝叶斯学习的方法,更新既有信息,并通过分析对方Agent的历史提议序列,推测其类型,来指导自身的提议策略和战术,使自己的提议更具有针对性,避免了盲目性,从而节约协商时间,提高了协商的效率,使得盟主企业能在尽短的时间里寻找到理想的合作伙伴。     

数字地图识别中增强图标边缘结构的预处理方法

提出了使用多分辨率变换增强地图图标边缘结构特征的方法,并通过形态学和空间滤波方法对边缘增强后的地图进行细化。试验结果表明该算法效果好,有利于地图图标识别的实现。     

基于动态入侵的自适应遗传算法研究

根据生物入侵的思想,将入侵的概念引入到遗传算法中,提出了一种新的基于动态入侵自适应遗传算法。在选择操作结束后,根据当前的种群类型自适应调整入侵率;根据种群所属的种群类型和种群的平均适应度值,确定染色体交叉概率;根据个体的所属类型和变异基因位置自适应调整变异概率。最后将该算法应用到函数优化问题,实验结果表明,改进后的算法在种群的多样性,收敛速度以及算法效率方面有了一定的改进。     

基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。     

一种构建模式分布的封闭区域的方法及在人脸识别中的应用

1引言 基于渐变性规则,王守觉提出了一种仿生模式识别理论[1].它不像传统模式识别中把异类模式在特征空间中的最佳划分作为目标,而是以一类模式在特征空间的分布的最佳覆盖作为目标.利用样本尽可能地构建出表示该类模式的封闭区域,以待识别模式映射到特征空间中的点是否落在表示一类模式的封闭空间作为判别待识别模式是否属于该类的判别依据.可见利用已知的一类样本,在特征空间中构建出表征该类的封闭区域,就是仿生模式识别的一个关键所在.在某些情况下,我们可以在大量的样本中选取那些有代表性的样本来构建表征该类模式在特征空间中的封闭区域.但是在有些情况下,我们得到的样本数量非常有限,如何利用这些有限的样本在特征空间中构建出表征该类模式分布的封闭空间就是仿生模式识别能否成功应用的一个核心问题.