自联想记忆神经元网络的设计

设计一种多层反馈神经元网络，它用于自联想记忆时，具有很多优点，如记忆样本均为稳定状态；吸引半径达到最大值，无伪稳定状态以及全局稳定性等。     

无需二值化的彩色车牌峰谷分割算法

车辆牌照图形的分割是车牌识别（VLPR）中的关键技术。对于通常采用的基于二值化结果的分割算法，车辆牌照图像的质量往往不佳，二值化后将会产生大量噪声，从而影响车牌分割，使系统整体识别率不高。文中提出了适合于户外流动车辆车牌分割的彩色车牌峰谷分割算法（CLCSA），不需对车牌进行二值化，通过对HIS空间的H分量和RGB空间的B分量适当调整，得到一个峰谷值差异较大的投影图像，从而为车牌正确切分提供了理想的位置。实验结果表明，蓝车牌和黄车牌的正确切分率达到97．5％，明显优于传统的对二值化图像的处理，特别是对于斜车牌和模糊车牌切分效果更加明显，更适用于实际应用。     

基于智能计算的计算机网络可靠性分析研究

文中的研究对象是计算机网络可靠性分析的智能数值求解,将几种常见的网络系统可靠性分析方法应用于计算机网络。并在一般节点遍历法的理论分析的基础上对改进后的节点遍历法进行了深入的探讨。介绍了计算机网络系统以及可用于计算机网络系统的集中可靠性分析的相关概念及方法,然后着重对节点遍历法等一些算法做了算法分析和具体实现,使繁杂的算法易于理解。网络系统可靠性数值计算量大而繁琐,改进后的节点遍历法可以大大减少其运算量。文中提出的智能粒度分层分析方法可以较好满足一定范围内计算机网络可靠性数值计算的需求。     

不同粒度中的保序性

信息的不完备、不确定是复杂决策环境中不可避免的问题。从不完备、不确定的海量信息中发现某种特定目标的潜在有用的知识，若没有一种降低不确定性、变复杂为简的有效处理海量数据集的方法，而直接利用相应的海量数据进行挖掘，不仅数据处理效率低，更由于传统的方法基本是以不可分辨关系为基础的，因此，其变复杂为简的方法要求形成互不相交的等价数据子集，这在实际处理中不易满足。文中给出商空间的保序性的有关概念，给出求商（拟）半序直接方法及其数学证明，然后以序关系代替传统的不可分辨关系，形成逼近某种特定目标的子集序列，从而获取潜在有用的知识。     

基于信息粒度的聚类分析及其应用

在处理复杂问题时,通过改变问题所在的粒度空间,不仅可以有效获取对象的特征,而且可去除干扰和非本质属性,使问题易于分析解决。所谓从粒度计算的观点来讨论聚类分析问题,就是认为聚类是在原问题的粒度下(同一问题的最细粒度空间)进行问题分析。为了简化处理,引入不同的聚类相似性函数,其实质就是得到不同粒度空间的等价类。在实际问题求解中,可以根据问题需要取不同相似性函数,以便将问题变换到所需的粒度空间进行处理。为推广其应用,将该思想应用于车牌二值化,提出了基于信息粒度的聚类变换的二值化算法,实现了从彩色3维空间到黑白1维空间的粒度变换。实验结果表明,该算法所得结果更加切合实际图像,不仅具有普适性,而且有利于下一步的识别操作,尤其对于各种斜车牌、光照不均车牌更具有一定的优越性。     

一种构造性的概率决策自组织分类器

从输入的原始信息得到特征通常需要复杂的非线性运算，直接找到这种算法是很困难的。而M-P神经元模型的几何意义指出：构造一个网络，使对给定的样本集能进行符合要求的分类，等价于求出一组领域，对给定样本集中的点，能按分类的要求用领域覆盖将它们分隔开来。但是，在实际的大规模应用中，如时间序列预测的典型问题—股票预测，其给定的样本集中可能含有异动点，会引起错误的学习结果，因此，有必要引入自组织和概率决策化方法，提高分类的正确性，同时还可降低神经网络的结构规模，提高识别的速度。作者给出一种构造性的概率决策自组织分类器SPDC(A Self-adjusting and Probabilistic Decision-making Classifier)，重点讨论了在覆盖算法中引入自组织和概率决策化方法。     

松散的脑袋--群体智能的数学模型

本文从生物进化的角度,将群体中的每只昆虫看成一个神经元,彼此之间通过随机、松散的(软)的连接组成一个神经网络;然后,类似于人工神经网络模拟人类大脑,用"松散"的神经网络来模拟昆虫的群体行为.即建立一个松散的大脑--群体智能的随机结构的神经网络模型.最后,根据所建立的数学模型,分别对"蚂蚁筑巢"和"蜜蜂筑巢"行为进行计算机仿真模拟,以表明上述模型的合理性.     

基于核函数的构造型网络二分覆盖算法

该文首先介绍了构造型神经网络中的覆盖算法的特点和性质,以及与支持向量机(SVM)中的核函数法的关系。然后,根据这些性质将两者有机结合起来,提出了一种处理多类问题分类的基于核函数的二分覆盖分类算法(Kf-BCC)。仿真结果表明,这种方法可以达到很好的效果,也为多类问题的分类提供了一种有效途径。     

基于覆盖的构造性学习算法SLA及在股票预测中的应用

覆盖算法是神经网络学习算法中的一个十分有效的方法，它克服了基于搜索机制的学习方法和规划学习方法计算复杂性高，难以用于处理海量数据的不足，为神经网络提供一个构造性的学习方法，但该方法是建立在所有训练样本都是精确的假设上的，未考虑到所讨论的数据具有不精确的情况，若直接将该方法应用于数据不精确情况，所得到效果不理想．主要讨论数据具有不精确情况下的时间序列的预测问题，为此将原有的覆盖算法进行改进，引入“覆盖强度”和“拒识样本”的概念，并结合这些新概念给出相应的覆盖学习算法(简称SLA)，最后将SLA算法，应用于金融股市的预测，具体应用到以上(海)证(券)综合指数构成的时间序列的预测，取得了较好的结果，这表明了SLA方法的可行性和应用前景。     

不同粒度世界的描述法--商空间法

面对复杂对象，如何描述对象往往成为解决问题的基础，为此，该文提出了一种不同粒度世界的描述方法——商空间法．在商空间法中用一个三元组(X，f，T)描述一个问题，在其论域上引入等价关系R，对应于R的商集[X]，然后将[X]当作新的论域，对它进行分析、研究，从而将问题表述成不同的粒度世界，进而达到简化问题、解决问题的目的．与粗糙集、决策树等方法相比较，商空间法具有更强的表达能力，它不仅可以定义多种不同的属性函数，而且可以描述论域中的元素、元素之间的相互关系(即结构)、运算等．该文介绍粒度世界的描写、划分法、粒度确定以及不同粒度世界的关系．最后给出了粒度世界的描述实例——互联网中的路由算法及称球游戏，以验证商空间方法的有效性．