支持向量机在模式识别中的核函数特性分析

支持向量机是20世纪90年代中期发展起来的一种机器学习技术，与传统人工神经网络不同之处在于前者基于结构风险最小化原理，后者基于经验风险最小化原理。支持向量机不仅结构简单，而且技术性能尤其是泛化能力与BP神经网络相比有明显提高。讨论了支持向量机的分类原理，并用多项式函数、径向基函数和感知机函数等3种核函数作为内积回旋，分别以平面点集分类、手写体汉字识别及双螺旋线识别为例，在不同的结构参数下进行了仿真实验，并对3种核函数的分类特性进行了对比分析，给出了在不同模式识别问题中3种核函数的选择条件。  

具有时变不确定线性系统的鲁棒无源控制

研究具有时变不确定参数的线性系统在有界能量外部输入作用下的鲁棒无源控制问题. 目的是设计一个反馈控制器使得闭环系统是二次稳定,同时具有严格无源性.研究结果证明,这 一问题可以转化为一个等价的具有某个参数的线性时不变系统的正实控制问题,从而可用现有的 正实控制问题的求解方法解决所研究的问题.  

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.  

基于CAN总线的测控网络系统研究

介绍了基于CAN总线构成的工业测控网络的系统结构、工作原理、通讯协议、硬件与软件。该网络系统可实现多个主节点和多个从节点的数据通信与信息共享。  

支持向量机及其在复杂水淹层识别中的应用

研究了基于结构风险最小化原理的支持向量机方法对模式类的识别能力，构造了可用于多个模式类识别的级连式SVM模型。该模型易于实现，且能够找到模式间的最优分类超平面，泛化能力较高。支持向量机用于模式识别不存在局部极小值问题，且不需网络迭代训练，求解速度明显高于神经网络。该模型采用两种核函数，将SVM用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系，从而实现模糊性油藏测井解释中水淹层的识别。实验结果表明，此方法对解决水淹层识别问题具有良好的适应性和实用性。  

求解连续空间优化问题的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限件和收敛速度慢的问题,提出了求解连续空间优化问题的量子蚁群算法.该算法每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特;首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新蚂蚁携带的量了比特,完成蚂蚁的移动;采用量子非门实现蚂蚁所在位置的变异,增加位置的多样性;最后根据移动后的位置完成蚁群信息素强度和可见度的更新.该算法将量子比特的两个概率幅部看作蚂蚁当前的位置信息,在蚂蚁数日相同时,可使搜索空间加倍.以函数极值问题和神经网络权值优化问题为例,验证了算法的有效性.  

一种改进的双链量子遗传算法及其应用*

针对目前双链量子遗传算法中保持种群多样性和改善优化效率问题提出了三种改进方法。通过在量子比特概率幅三角函数表达式中引入常数因子，使搜索过程在多个周期上同时进行，以改善算法的优化效率；提出了一种基于单比特量子Hadamard的变异策略，可提高保持种群多样性的概率；改进了量子旋转门转角步长函数，能够有效避免算法震荡，增强算法的适应性。以多变量函数极值优化问题为例，仿真实验结果表明上述三种改进措施是有效的。  

自组织过程神经网络及其应用研究

针对与时间过程有关的模式分类问题，提出了一种自组织过程神经元网络模型．网络由输入层和竞争层组成，其输入和连接权可为与时间有关的函数，输入层结点与竞争层结点实行全互连接．网络提取输入函数所隐含的过程式模式特征，并对其进行自组织，在竞争层将分类结果表现出来．为简化计算，在输入空间中引入函数正交基，将输入函数和网络权函数表示为正交基的展开形式，利用基函数的正交性，使网络权函数的调整非时变化．给出了竞争学习和有教师示教两种学习算法，并以石油地质中沉积微相识别问题为例证明了模型和算法的有效性．  

一种稳健性好的图象盲水印算法

为了可靠地对白色像素较多的灰度图象进行保护 ,提出了一种稳健性好的数字图象盲水印算法 ,该算法尤其对白色像素较多的灰度图象稳健性较强 .该算法是基于原始图象的傅立叶变换 ,将调制后的水印信息依次加入到某些固定位置的幅值谱上 .该算法具有以下特点 :(1)对不同的图象 ,嵌入水印的强度不同 ,对白色像素较多的图象嵌入水印的强度较大 ,这样可以使透明性和鲁棒性达到较好的统一 ;(2 )选择频域幅值谱 ,使嵌入水印信息的相互位置之间保持一定距离 ,以便减少不同幅值之间的干扰 ;(3)对同一幅图象而言 ,嵌入水印和提取水印的参数不同 ,而且检测的区域大于嵌入的区域 ,这样就可能排除由于图象空频变换而造成的能量损失 ;(4)在提取水印时 ,通过对检测图象加入随机序列来补充由存储造成的丢失信息 .实验表明 ,该算法不仅具有较强的鲁棒性 ,对裁剪、噪声、压缩、涂改、平移抵抗性较强 ,并且复杂度较低 ,实用性较强 .  

基于三次样条函数拟合的过程神经元网络训练

过程神经元网络的提出为大样本识别问题开辟了新途径，但其训练方法目前主要基于权函数正交基展开。这种方法基函数个数选取目前尚无理论依据。提出了基于三次样条函数拟合的过程神经元网络训练方法。首先将样本函数、过程神经元权函数的离散化数据拟合成分段表示的三次样条函数，然后计算样本样条函数与权值样条函数乘积在给定采样区间上的积分，并将此积分值提交给网络的过程隐层神经元，输出层由普通神经元组成。三次样条函数具有很好的光滑性、可积性、阶数低、参数少等优点，有效地简化了网络的时空聚合运算。实验表明该方法是可行的。