改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.  

前馈神经网络病态样本投票剔除算法

收敛速度慢和容易陷入局部极小一直是困扰前馈神经网络的主要问题 .然而 ,不能找到全局最优解的部分原因之一是由于样本质量造成的 .如果训练样本集中含有病态样本 ,那么网络永远也达不到收敛 .本文提出一种以模式聚类为基础的病态样本判定方法 ,并给出基于模式相似度计算的投票剔除算法 .  

命题逻辑推理的代数化证明

本文尝试利用纯代数的方式,通过解多项式方程组对命题逻辑进行演算、推理。  

基于Hebb规则的分布神经网络学习算法

随着知识发现与数据挖掘领域数据量的不断增加,为了处理大规模数据,scaling up学习成为KDD的热点研究领域.文中提出了基于Hebb规则的分布式神经网络学习算法实现scaling up学习.为了提高学习速度,完整数据集被分割成不相交的子集并由独立的子神经网络来学习;通过对算法完整性及竞争Hebb学习的风险界的分析,采用增长和修剪策略避免分割学习降低算法的学习精度.对该算法的测试实验首先采用基准测试数据circlein-the-square测试了其学习能力,并与SVM,ARTMAP和BP神经网络进行比较;然后采用UCI中的数据集USCensus1990测试其对大规模数据的学习性能.  

计算机地图制图软件中图形控制措施的探讨

对于人脑无法处理的浩翰如海的各种科学数据，计算机地图制图软件提供了一种直观、实时、可控制的有效处理手段。而制图软件中涉及的图形的无级缩放，图形的平移，图形被破坏后的快速恢复技术在很大程度上决定了该软件的效率与性能。基于此，该文逐一给出了实现这几项技术的比较有效的措施。  

关于PSO方法中粒子运行轨迹的修正

粒子群优化方法（PSO Particle Swarm Optimization）由Kennedy和Eberhart于1995年提出,基于群体智能行为的演化计算方法,并广泛应用于各类优化问题.在一些研究中,对PSO的粒子收敛性及粒子运行轨迹进行了分析,有一定理论价值和指导意义,本文针对一些分析过程中存在的问题进行了讨论,并对相关结论进行了修正.  

基于广义势场的三维形体多层次线骨架构建

在Cornea建立的基于广义势场的骨架生成算法的基础上,提出一种新的多层次线骨架构建算法。通过选取不同的r值简化边界点,减少了斥力场的计算时间。与Cornea算法不同,选取曲面变分替代曲率,并选取局部曲面变分值较高的边界点作为种子点生成多层次的骨架。由于曲面变分比曲率更适用于反映点云形体表面的性质且计算速度较快,因此该算法更适于处理点云,且具有一定的鲁棒性。同时分析了不同的r值与骨架连通性和计算时间的关系。实验结果表明,经边界点简化处理,斥力场计算时间比原来减少一半左右,且以此生成的骨架能够保持较好的光滑性和连通性。还尝试了另一种基于曲面变分简化边界点的准则,并仔细考查了高曲面变分点、邻域半径k以及不同的空间划分尺度n对多层次骨架生成的影响。  

基于身份密码学的安全性研究综述

目前IBE已经成为公钥加密领域的一个研究热点,而安全性是构建IBE方案的重要因素.在设计公钥加密方案时,通常主要考虑在各种攻击模型下所要达到的安全目标,使用安全目标与攻击模型相结合的方式来定义安全性.在对已提出的IBE方案进行归纳分析的基础上,概括了IBE安全性的形式化定义;总结了安全性所依赖的各种数学难题基础,对各种数学难题之间的强弱关系进行了分析;进而,基于这些强弱关系描述了IBE安全性之间的相互转化规律以及达到高安全性的转化方法,这些方法有一个共同点,就是在加密方案的构造过程中使用了某种测试;接下来,从安全性和效率的角度对比了已提出的典型IBE方案,指出低安全性向高安全性转化必然会带来额外开销,导致效率下降;最后,总结了IBE的缺点、未来研究趋势以及开放性问题.  

基于Hakopian插值的快速图像重建算法

在2004年工作的基础上，利用Hakopian插值多项式的Chebyshev-Fourier分解形式，提出了一种重建二维图像的快速算法．该算法在重建时间上具有明显优势．此外，与传统的滤波反投影（FBP）方法相比，该算法还可以用于局部图像重建．仿真实验验证了该算法的有效性．  

基于输入输出回归神经网络的超声马达辨识和速度控制

建立了一个新的输入-输出反馈神经网络结构用于超声马达速度辨识.给出了以驱动电 压的幅值和驱动频率为控制量的双模式速度控制器,推导了辨识器和控制器的动态递归反传算 法.数值模拟结果表明,辨识器能比较精确地描述马达的输入-输出关系,双模式神经网络控制器 对多种形式的参考速度,都有很好的控制效果.