关于统计学习理论与支持向量机

模式识别、函数拟合及概率密度估计等都属于基于数据学习的问题,现有方法的重 要基础是传统的统计学,前提是有足够多样本,当样本数目有限时难以取得理想的效果.统计 学习理论(SLT)是由Vapnik等人提出的一种小样本统计理论,着重研究在小样本情况下的 统计规律及学习方法性质.SLT为机器学习问题建立了一个较好的理论框架,也发展了一种 新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.目前,SLT和 SVM已成为国际上机器学习领域新的研究热点.本文是一篇综述,旨在介绍SLT和SVM的 基本思想、特点和研究发展现状,以引起国内学者的进一步关注.  

人脸检测研究综述

人脸检测问题最初作为自动人脸识别系统的定位环节被提出，近年来由于其在安全访问控制，视觉监测、基于内容和检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。该文从人脸检测问题的分类、人脸模式的分析、特征提取与特征综合、性能评价等角度，系统地整理分析了人脸检测问题的研究文献，将人脸检测方法主要划分为基于知识的人脸验证方法和基于统计的学习方法，指出统计学习方法优于启发式验证方法。  

普适计算

计算技术的发展需要与之适应的计算模式，计算技术在桌面计算模式下经历的20年的飞速发展正蕴育着一种革新性的计算模式——普适计算，普适计算是信息空间与物理空间的融合，在这个融合的空间中人们可以随时随地和透明地获得数字化的服务；计算机本身将从人们的视线中消失，人们注意力的中心可以回归到要完成的任务本身，普适计算将从根本上改变人们对什么是计算的思考，也改变我们整个生活和工作的方式，该文综述了普适计算研究的现状和发展趋势，并讨论了普适计算的两个关键研究内容——觉察上下文的计算和普适计算系统软件，最后简要介绍作者在智能空间领域的研究成果。  

多层前向网络的交叉覆盖设计算法

文章根据多层前向权、阈值神经网络的设计原则,将设计过程分成两步进行:先用尽可能少的领域将样本中的各类分隔开来,然后再用作者提出的交叉覆盖算法进行网络设计.文章给出两个很有代表性的模拟例子,一个是平面上两根螺线的分离问题,另一个是“无穷样本学习”的例子.模拟结果证明了此方法的有效性.  

人脸识别技术综述

首先对计算机人脸自动识别技术的研究背景及发展历程做了简单回顾，然后对人脸正面像的识别方法，按照识别特征的不同进行了分类综述，主要介绍了特征脸（Ｅｉｇｅｎｆａｃｅ）方法、基于小波特征的弹性匹配（Ｅｌａｓｔｉｃ Ｍａｔｃｈｉｎｇ）的方法、形状和灰度模型分离的可变形模型（Ｆｌｅｘｉｂｌ Ｍｏｄｅｌ）以及传统的部件建模等分析方法。通过对各种识别方法的分析与比较，总结了影响人脸识别技术实用化的几个因素，并提出了研究和开发成功的人脸识别技术所需要考虑的几个重要方面，进而展望了人脸识别技术今后的发展方向。  

模糊商空间理论(模糊粒度计算方法)

把商空间模型推广到模糊粒度世界,并给出了两个基本结论.一个结论是,下面4种提法等价:(1) 在论域X上给定一个模糊等价关系;(2) 给定X的商空间上的一个归一化等腰距离;(3) 给定X的一个分层递阶结构;(4) 给定一个X的模糊知识基.另一个结论是,所有模糊粒度世界全体,构成一个完备半序格.这些结论为粒度计算提供了一个强有力的数学模型和工具.  

M-P神经元模型的几何意义及其应用

给出M-P神经元模型的几何意义,这个几何的铨释,给神经元一个非常直观的理解,利用这个直观的理解,给出两个颇为有趣的应用:(1)用此法给出三层前向神经网络的学习能力的基本定理的新的证明;(2)给出前向网络的拓扑结构设计的新方法.  

遗传算法机理的研究

众所周知,“模式定理”和“隐性并行性”是遗传算法(genetic algorithms,简称GA算法)的两大理论基础.该文对这两个原理进行分析,指出这两个原理存在有不严格和不足之处,即作为GA算法的基础,这两个原理尚欠完善.为加深对GA的理解，文章提出遗传算法的一个新的改进模型——理想浓度模型.通过对此模型的分析,得出遗传算法本质上是一个具有定向制导的随机搜索技术.其定向制导原则是,导向以适应度高的模式为祖先的染色体“家族”方向.最后给出两个典型的函数求最大值的模拟例子.从模拟结果看,改进后的GA算法大大提高了算法的速度,解的精度也有所提高.这说明新算法具有应用的潜力.  

蚁群算法理论及应用研究的进展

蚁群算法是优化领域中新出现的一种仿生进化算法．该算法采用分布式并行计算机制，易与其他方法结合，具有较强的鲁棒性；但搜索时间长、易限入局部最优解是其突出的缺点．针对蚁群算法，首先介绍其基本原理；然后讨论了近年来对蚁群算法的若干改进以及在许多新领域中的发展应用；最后评述了蚁群算法未来的研究方向和主要研究内容．  

分布估计算法综述

分布估计算法是进化计算领域新兴起的一类随机优化算法，是当前国际进化计算领域的研究热点. 分布估计算法是遗传算法和统计学习的结合，通过统计学习的手段建立解空间内个体分布的概率模型，然后对概率模型随机采样产生新的群体，如此反复进行，实现群体的进化. 分布估计算法中没有传统的交叉、变异等遗传操作，是一种全新的进化模式；这种优化技术能够通过概率图模型对变量之间的关系进行建模，从而能有效的解决多变量相关的优化问题. 根据概率模型的复杂性，本文按照变量无关、双变量相关、多变量相关等三类分别介绍相应的分布估计算法. 作为一篇综述性文章，本文旨在全面系统的向国内读者介绍这一新技术，并总结分布估计算法的研究现状和未来的研究方向.