基于图像指纹的数字图像水印检测方法

数字水印是近年来出现的一种新的数字媒体产品版权保护技术，然而在实际应用情况下，带有水印的图像不可避免地会受到一些如图像滤波、图像增强、图像锐化和图像压缩等无意攻击及合谋攻击、混淆攻击、削去攻击等恶意攻击。数字图像水印的仿射变换攻击破坏水印检测器与水印信号的同步达到攻击的目的，是一种有效的水印攻击方法。利用图像指纹恢复经仿射变换的水印图像，使水印检测器与水印同步以达到有效检测水印的目的。实验表明，使用该方法能较好地恢复图像，有效地同步水印检测器与水印信号，从而使水印对仿射变换攻击具有鲁棒性。     

基于统计分析的分阶段进行神经网络方法

基于统计分析和分阶段进化，提出一种新的进化神经网络设计方法，本文方法的进化过程分三个阶段：第一阶段，首先按训练样本统计特性设计较小规模的神经网络，第二阶段，引入所有训练样本，在第一阶段的基础上，逐步扩展网络结构，天加的神经元总是单独训练并以抵消原网络的输出误差为其训练目标，直至训练网络达到误差要求，第三阶段，利用统计方法，将网络中非线性变换作用相似的神经元合并，简化网络结构，本文方法一方面减轻了进化算法的压力，另一方面指出了网络进化的方向使得进化网络的学习过程不再是黑箱问题，计算机仿真实验表明，该方法是有效的。     

开放式智能协作设计系统结构模型和实现

建立开放式智能协作设计系统是并行工程的重要目标之一，该文在多层次多群组协作模型的基础上给出了开放式的系统结构模型，讲座了基于Agent的开放式系统集成方法，该结构允许用户在系统中加入自己开发的组件，在开放式结构模型的基础上，介绍了基于模糊Petr网的协作设计任务过程管理，讨论了协作设计过程管理的实现方法，并给出了一个具体的应用例子。     

过程监控中数据挖掘与知识发现理论及应用

过程监控中数据挖掘和知识发现是近几年发展起来的新技术，目前仍处于起步阶段，显示了极大的应用前景。本文简要叙述了一般数据挖掘和知识发现的发展、现状及一般过程；从数据挖掘和知识发现方法、应用和理论技术三个方面概括了工业过程监控中的数据挖掘和知识发现；结合工业过程数据特点指出了过程监控数据挖掘和知识发现面临的挑战及今后的研究趋势。     

基于自适应变异规则的一种有效的进化规划

为改善普通进化规划的算法性能，通过学习进化过程中获得的种群整体进化信息，提出进化规划的一种新的自适应变异规则，基于该规则的进化规划不仅能加快算法的收敛速度，而且能有效地保证种群的多样性，用该方法可求解具有多个极值点的函数优化问题，计算机仿真实验结果表明该方法的方法是很有效的。     

基于Agent的开放式协同工作系统结构模型

建立开放式智能协同工作系统是CSCW研究的重要目标之一，文中在分析已有模型局限性的基础上，提出了基于Agent的开放式CSCW系统结构模型，并就模型中的Agent结构和模型的开放性和可裁剪性进行了讨论，最后，给出了一个该模型的实例系统。     

基于拟非线性模糊模型的复杂系统模糊辨识

针对一阶Takagi－Sugeno[以下简称T－S]到模型辨识复杂系统的困难，本文提出了一种新的拟非线性模糊模型．即在一阶T－S模型的基础上，再进行一次非线性映射．这种模糊模型不仅具有较高的辨识精度，而且具有良好的泛化功能．运用改进的FCM（FuzzyC－Means）模糊聚类方法，辨识该模糊模型的结构，与以往的方法比较，极大地简化了结构辨识的复杂性．仿真结果进一步说明了该方法的有效性．     

基于拟非线性模糊模型的复杂系统模糊辨识

针对一阶Takagi-Sugeno（以下简称T-S）模型辨识复杂系统的困难，本文提出了一种新的拟非线性模糊模型。即在一阶T-S模型的基础上，再进行一次非线性映射。这种模糊模型不仅具有较高的辨识精度，而且具有良好的泛化功能。运用改进的FCM（Fuzzy-C-Means）模糊聚类方法，辨识该模糊模型的结构，与以往的方法比较，极大地简化了结构辨识的复杂性。仿真结果进一步说明了该方法的有效性。     

基于免疫机理的协同工作系统异常处理

提出一种基于免疫机理的协同工作异常处理方法．它利用先验知识和事例学习获取的知识．归纳成知识库并将它们转化为免疫抗体库，将错误输入信息视为抗原，建立基于免疫机理的Agent模型，其中利用其对异常进行学习、记忆、抑制、恢复功能．并利用模糊量化的方法进行异常处理决策．该模型很好的利用了免疫系统的分布式、记忆特性、学习能力．能有效地对异常信息进行快速发现与处理．最后实现了一个原型系统．测试结果表明该方法是有效的．     

基于模糊进化规划和分层方法的神经网络设计方法

本文提出一种模糊进化规划，用于前向神经网络的设计．该方法通过对神经元的部分解群体的进化，缩短了个体的编码长度，显著地减轻了计算量，同时这种方法不但能够在很大程度上简化适应值的计算，更重要的是能够降低适应值空间的复杂性，从而能够加速进化算法收敛到全局最优点．仿真结果显示，本文提出的算法能够有效抑制进化规划算法初期收敛的发生，有效地提高多层前向神经网络收敛精度，并可获得更为简洁的网络结构．