基于内容的图像检索综述

综述了基于内容图像检索领域中特征提取技术，多维索引与图像分类技术的研究成果，介绍了几个有特色的基于内容图像检索系统，最后提出了这一领域尚存在的问题和未来发展方向。     

Boosting和Bagging综述

Boosting 和 Bagging 是两种用来提高学习算法准确度的方法,这两种方法通过构造一个预测函数系列,然后以一定的方式将它们组合成一个预测函数.文章将介绍这两种方法以及对他们进行的一些理论分析和实验,并对它们的应用以及将来可能的研究进行讨论.     

神经网络在测井资料岩性识别中的应用研究

将神经网络用于石油测井资料岩性识别.在对主要分层曲线做分层直方化处理、聚类并层处理、归一化处理之后,利用FTART2神经网络对测井数据进行学习,从而预测未知地层的岩性.实验结果表明,PTART2在实用效果上明显优于该领域目前常用的D-BP算法.     

基于混合学习算法IHMCAP的故障诊断模型

在故障集和差错属性集的基础上,通过结合了基于概率论的符号学习与神经网络学 习的增量式混合型多概念获取算法IHMCAP寻找属性值与故障类型之间的对应关系,由此 建立一个故障诊断模型.实验表明,该模型不仅精度高、速度快、学习能力强,而且在利用系统 的先验知识与新增数据上也取得了均衡.     

基于域理论的自适应谐振神经网络分类器

提出了一种基于域理论的自适应谐振神经网络模型FTART2(field theory based adaptive resonance theory 2).该模型结合了自适应谐振理论和域理论的优点,学习速度快,归纳能力强,效率高,可以根据输入样本自适应地调整拓扑结构,克服了前馈型网络需要人为设置隐层神经元的缺点.基准测试表明,FTART2在学习精度和速度上都远远优于标准BP算法.     

基于分布式工作流技术的校园应用软件集成模型研究

工作流技术是实现企业业务过程建模、管理、优化与重组,最终实现业务过程管理与自动化的核心技术。而分布式工作流技术的研究已经成为当前研究的热点。本文描述了分布式工作流技术的特点,利用Java和CORBA技术给出了基于分布式工作流技术的校园应用集成模型。探讨了多个工作流系统互操作的问题。最后提出了动态创建过程实例的思想和活动池的概念,可以极大地提高整个系统的效率以及资源利用率。     

一种基于进化算法的连续属性离散化方法

连续属性离散化是知识系统中的一个重要环节,一个好的离散化方法能够起到简化知识和描述和便于对知识系统的处理。而求取连续属性值的最优断点集合是一个NP难题,本文把连续属性值离散化问题作为一种约束优化问题,采用遗传算法来获得最优解,并针对离散化问题设计了相应的编码方式、交叉算子和变异算子。实验结果表明,采用遗传算法求解连续属性值最优断点集合是可行的。     

贝叶斯学习与强化学习结合技术的研究

强化学习的研究需要解决的重要难点之一是:探索未知的动作和采用已知的最优动作之间的平衡。贝叶斯学习是一种基于已知的概率分布和观察到的数据进行推理,做出最优决策的概率手段。因此,把强化学习和贝叶斯学习相结合,使 Agent 可以根据已有的经验和新学到的知识来选择采用何种策略:探索未知的动作还是采用已知的最优动作。本文分别介绍了单 Agent 贝叶斯强化学习方法和多 Agent 贝叶斯强化学习方法:单 Agent 贝叶斯强化学习包括贝叶斯 Q 学习、贝叶斯模型学习以及贝叶斯动态规划等;多 Agent 贝叶斯强化学习包括贝叶斯模仿模型、贝叶斯协同方法以及在不确定下联合形成的贝叶斯学习等。最后,提出了贝叶斯在强化学习中进一步需要解决的问题。     

面向Option的k-聚类Subgoal发现算法

在学习过程中自动发现有用的Subgoal并创建Option,对提高强化学习的学习性能有着重要意义.提出了一种基于k-聚类的Subgoal自动发现算法,该算法能通过对在线获取的少量路径数据进行聚类的方法抽取出Subgoal.实验表明,该算法能有效地发现所有符合要求的Subgoal,与Q-学习和基于多样性密度的强化学习算法相比,用该算法发现Subgoal并创建Option的强化学习算法能有效提高Agent的学习速度.     

FTART2神经网络及其规则抽取研究

本文提出了一种基于域理论的自适应谐振神经网络算法ＦＴＡＲＴ２,算法将自适应谐振理论和域理论的优点有要结合,不需人为设置隐层神经元,学习速度快,精度高。此外,本文不提出了一种从ＦＴＡＲＴ２网络中抽取符号规则的方法。实验结果表明,使用该方法抽取出的符号规则可理解性好,预测精度高,可以很好地描述了ＦＴＡＲＴ２网络的性能。