基于强跟踪滤波器训练的前向神经网络及其在系统辨识中的应用研究*

给出基于强跟踪滤波器训练前向神经网络的新方法。由于强制残差序列保持相互正交,强跟踪滤波器相对扩展Kalman滤波的收敛速度更快,同时精度更高。最后通过系统辨识仿真实例验证该方法的有效性。     

基于多保留策略的复合型遗传算法及其收敛性分析

遗传算法(GA)作为一种新型的智能优化方法,以其结构简单、适应性强等特点在众多实际领域取得了成功的应用,但存在计算复杂度大、易于局部收敛等方面的不足。本文在分析现有遗传操作的不足和生物进化的基本特征基础上,从提高进化效率的角度出发,提出基于多保留策略的复合型遗传算法(简称MRS-CGA);进而利用Markov链理论和仿真技术,从不同的层面分析了算法的性能。讨论结果表明,算法从本质上推广了常规的GA,在计算效率和收敛性能上均明显地优于常规的GA。     

一种用于图像篡改定位的半脆弱数字水印算法

设计并实现了一种用于数字图像内容认证的半脆弱水印方案。算法中,图像块的水印选择Logistic映射作为混沌系统从该图像块本身产生一系列混沌序列,作用于水印的嵌入;每个图像块产生的水印按照Torus,自同构映射嵌入另一个映射块的LSB(Least Significant Bit),对应关系通过密钥来确定,这样建立起图像块之间的相关性;利用混沌对初值极端敏感性的特点,能够定位检测对加入水印图像的篡改,且水印提取不需要原始图像。实验结果表明,嵌入水印后的图像的视觉好;算法具有图像内容局部篡改检测的有效性、敏感性以及良好的篡改定位能力。     

未确知均值聚类

利用未确知系统理论分析特征对样本分类所作贡献,定义特征的分类权重,并作为启发性知识用于确定样本与各类间的加权距离及样本属于各类的隶属度,建立未确知均值聚类算法。IRIS数据检验表明,未确知均值聚类算法误判样本数少、收敛速度快、鲁棒性好,是一种实用、有效的无监督聚类算法。     

未确知均值聚类

利用未确知系统理论分析特征对样本分类所作贡献,定义特征的分类权重,并作为启发性知识用于确定样本与各类间的加权距离及样本属于各类的隶属度,建立未确知均值聚类算法。IRIS数据检验表明,未确知均值聚类算法误判样本数少、收敛速度快、鲁棒性好,是一种实用、有效的无监督聚类算法。     

与判断矩阵一致性无关的单准则排序法

通过“标度变换”把不具“可加性”的比例标度转化为评分标度,利用评分标度的“可加性”可计算比较对象的得分、并按得分率对比较对象排序.与已有单准则排序方法的实质性区别是,勿需进行一致性检验.     

规范模糊集的定义、运算及性质

指出了模糊集立论中的不足及模糊集“取大取小”运算的局限性，在测度空间中定义规范模糊集概念、运算，讨论了规范模糊集的性质。     

基于特征权重的遗传聚类方法

本文提出的聚类方法与通常的分区聚类方法区别在于：(1)从遗传算法角度考虑聚类问题；(2)在特征权重基础上构造个体适应度函数，通常的聚类方法没有考虑特征对分类的不同影响；(3)用基于罚函数的小生境遗传算法处理聚类问题，最大限度地保证搜索到全局最优解和所有局部最优解。算法具有通用性。     

未确知数的顺序

王光远教授在文［１］中首先提出了未确知信息的概念，开辟了一个全新的研究领域，在文［３］中定义了未确知数及其四则运算，为未确知数学的建立奠定了理论基础，在文［４］的基础上给出了未确知数的心的概念，并利用心定义了未确知数的顺序，给出了未确知数的坐标表示法，证明了全体未确知数的集合Ｒ关于未确知顺序构成偏序集，但未确知数的顺序是实数顺序的推广。     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式—灰色补偿神经网络。该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。