神经网络集成

神经网络集成通过训练多个神经网络并将成结论进行合成，可以显著地提高学习系统的泛化能力。它不仅有助于科学家对机器学习和神经的深入研究，还有助于普通工程技术人员利用神经网络技术来解决真实世界中的问题。因此，它被视为一种广阔应用前景的工程化神经计算技术，已经成为机器学习和神经计算领域的研究热点。该文从实现方法、理论分析和应用成果等三个方面综述了神经网络集成的国际研究现状，并对该领域值得进一步研究的一些问题进行了讨论。  

强化学习研究综述

摘要强化学习通过试错与环境交互获得策略的改进,其自学习和在线学习的特点使其成为 机器学习研究的一个重要分支.该文首先介绍强化学习的原理和结构;其次构造一个二维分类 图,分别在马尔可夫环境和非马尔可夫环境下讨论最优搜索型和经验强化型两类算法;然后结 合近年来的研究综述了强化学习技术的核心问题,包括部分感知、函数估计、多agent强化学 习,以及偏差技术;最后还简要介绍强化学习的应用情况和未来的发展方向.  

MVC模式研究的综述

随着面向对象技术的发展，MVC的含义和用途变得更加广泛，不仅可以用于组件的构造，也可用于类似于电子商务应用等大型面向对象系统的软件设计。从MVC模式起源开始，讨论了MVC模式的结构、设计方法、实现技术、优缺点及其应用，最后介绍了由JSP，Servlet和JaveBeans实现的MVC2结构。  

基于混合投影函数的眼睛定位

介绍一种精确定位眼睛的方法.眼睛定位是很多人脸检测算法的关键步骤.在获得眼睛窗口之后,可以利用投影方法来定位眼睛.提出一种混合投影函数,该函数结合了积分投影函数和方差投影函数,能够反映出图像在某个方向上灰度均值和方差的综合变化情况.实验结果表明,利用混合投影函数可以相当精确地确定眼睛中心的位置.  

多Agent多问题协商模型

在多agent环境中,协商是多agent系统能够成功运转的关键.根据参与协商agent的数目和协商问题的数目,多agent环境中的协商可以分为双边-单问题协商、双边-多问题协商、多边-单问题协商、多边-多问题协商.前3种协商是多边-多问题协商在不同维上的简化.利用协商-协商过程-协商线程的概念建立了一个多边-多问题协商模型MMN(multi-agent multi-issue negotiation).该模型通过提供一个灵活的协商协议支持多agent环境中的不同协商形式,并且支持agent在协商过程中的学习.  

一种基于强化学习的学习Agent

强化学习通过感知环境状态和从环境中获得不确定奖赏值来学习动态系统的最优行为策略，是构造智能Agent的核心技术之一，在面向Agent的开发环境AODE中扩充BDI模型，引入策略和能力心智成分，采用强化学习技术实现策略构造函数，从而提出一种基于强化学习技术的学习Agent，研究AODE中自适应Agent物结构和运行方式，使智能Agent具有动态环境的在线学习能力，有效期能够有效地满足Agent各种心智要求。  

一种基于Rough集的缺省规则挖掘算法

Rough集方法是一种处理不确定或模糊知识的重要工具，对基于Rough集理论的缺省规则挖掘算法进行研究，在引入规则支持度概念后，提出了一种基于Rough集的缺省规则挖掘算法MDRBR。实验结果表明，该算法能较好地过滤噪音，提高规则的挖掘效率。  

并行学习神经网络集成方法

该文分析了神经网络集成中成员神经网络的泛化误差、成员神经网络之间的差异度对神经网络集成泛化误差的影响，提出了一种并行学习神经网络集成方法；对参与集成的成员神经网络，给出了一种并行训练方法，不仅满足了成员网络本身的精度要求，还满足了它与其余成员网络的差异性要求；另外，给出了一种并行确定集成成员神经网络权重方法．实验结果表明，使用该文的成员神经网络训练方法、成员神经网络集成方法能够构建有效的神经网络集成系统．  

基于Markov对策的多Agent强化学习模型及算法研究

在ＭＤＰ，单Ａｇｅｎｔ可以通过强化学习来寻找问题的最优解。但在多Ａｇｅｎｔ系统中，ＭＤＰ模型不再适用。同样极小极大Ｑ算法只能解决采用零和对策模型的ＭＡＳ学习问题。文中采用非零和Ｍａｒｋｏｖ对策作为多Ａｇｅｎｔ系统学习框架，并提出元对策强化学习的学习模型和元对策Ｑ算法。理论证明元对策Ｑ算法收敛在非零和Ｍａｒｋｏｖ对策的元对策最优解。  

支持向量机及其在模式识别中的应用

Statistical learning theory(SLT)and support vector machine(SVM) are effective to solve problems of machine learning under the condition of finite samples.It is known that the performance of support vector machine is often better than that of some neural networks in pattern recognition,especially in high dimensional space,and they arewell used in many domains for recognition.This paper at first introduces the basic theory of SLT and SVM,then points out the key problems of SVM and its research situation in recent years,and at last describes some applications of SVM in the field of pattern recognition.