改进的模糊C-均值算法在医学图像分割中的应用

针对随机选取聚类中心易使得迭代过程陷入局部最优解的缺点,提出了一种混合优化蚁群和动态模糊C-均值的图像分割方法,该方法利用蚁群算法较强处理局部极值的能力,并能动态确定聚类中心和数目.针对传统的分阶段结合遗传算法和蚁群算法的策略存在收敛速度慢,聚类精度差的问题,提出在整个优化过程综合遗传算法和蚁群算法,并在蚁群算法中引入拥挤度函数,利用遗传算法的快速性、全局收敛性提高了蚁群算法的收敛速度,同时利用蚁群算法的并行性和正反馈性提高了聚类的精确度.最后将该算法应用到医学图像分割,对比实验表明,混合算法具有很强的模糊边缘和微细边缘分割能力.     

权值自适应调整的多分类器融合算法

针对度量层输出的多分类器融合,该文提出一种基于Multi-agent思想的融合算法。该算法给出样本集在多分类器下的偏好判断矩阵概念,可以根据各个样本的具体情况自适应地为各分类器赋予权值。实验证明,该算法可得到比其他方法更低的分类错误率。     

一种基于进化的电路网络建模方法

针对电路设计繁冗、复杂及周期长等特点,提出了一种基于进化的电路网络建模方法,该方法把电路网络建模过程转变为电路元器件选择和元件值确定的搜索优化过程.利用遗传程序设计进化电路网络的结构,对元器件和元件值相互影响的复杂解空间进行全局寻优,实现电路网络的进化.     

面向自然语言处理的人工智能框架

在自然语言的处理研究中,一般对语义的处理只是在某范围内选定若干低级的原语,用这些原语的结构组织来解决高层次词条的语义,并且这些所需要原语的语义必须清楚,这样可以解决一定范围的语义问题.实际仅仅是用一定范围的语法结构代替语义描述,并没有真正解决语义的表达问题.随着人工智能的研究取得一定进展,计算机已从单纯的数值计算进入到知识处理阶段.Agent理论有助于从语言的本质使用的角度来处理自然语言处理中的人工智能框架,为语义分析提供哲学的视域和分析方法.     

RoboCup中整体与局部混合防御模型的研究

在RoboCup仿真比赛中,防守是一支球队的一个重要战术。基于强化学习原理提出了整体与局部混合防御模型,通过智能体之间的角色转换提高防守能力,与传统相比更有优势。     

基于HNC的中文文本校对系统模型的研究

针对中文文本在语法错误和语义错误校对方面存在的问题,基于HNC理论构建了一个中文文本校对系统模型,该模型利用传统查错系统和HNC句类分析系统相结合的方法,并对日常报刊杂志100篇文章进行了实验,与word2003查错系统相比,在解决语法层次和语义层次上的错误,该方法有明显优势.     

避免逻辑全知的BDI语义

BDI(belief, desire, intention)是基于Agent计算的理论模型,BDI语义关系着Agent计算的发展.通过把相信划分为主观相信和客观相信,把可能世界理解为认知的不同阶段,给出具有进化特征的BDI语义.该语义既能描述Agent,又避免了"逻辑全知"问题.     

字型,字体可变的图文并显

通常所说的图文并显是指图形与字符同时显示于屏幕上.但存在两个问题,一是字体小,二是字型单一.本文所讨论的图文并显是指在绘图状态下,利用可变的基本图形元素绘制好图形后,再在需要汉字的地方绘制任意尺寸、任意字体、任意字型的汉字,达到字体可变图文并显。本软件特别适用于儿童辅助汉字教学.     

分布式强化学习在RoboCup中的应用

强化学习理论由于其自学习性和自适应性的优点而得到了广泛关注。基于主Agent的概念改进了传统的群体强化学习算法,应用于机器人足球(Robocup)仿真实验中,取得了初步结果。