基于Kalman滤波的神经网络学习算法及其应用

针对传统神经网络学习算法速度慢、容易陷入局部最优解的缺点，将卡尔曼滤波应用于人工神经网络的训练算法中。同时，在卡尔曼滤波计算中，将奇异值分解应用于卡尔曼滤波的递推公式中，提高了协方差阵计算的数值稳定性。最后，本文通过将神经网络的卡尔曼滤波算法应用于电力系统短期负荷预测中，验证了该方法不仅具有理论意义，同时也有实用价值。  

基于行为的方法研究及其在模型转化中的应用

提出了一种基于行为的方法,把它作为面向过程的系统建模方法和面向对象的系统建模方法之间的桥梁。这样可以实现将面向过程的系统模型转化为面向对象的系统模型。这种转化的目的主要是为了中和两种方法的优点,如可以解决系统工程设计者对面向对象的方法不好把握和系统后期维护等问题。最后将提出一种行为属性图用来表示对象之间、行为之间的关系以及消息传递机制和数据的流向,这是两种模型转换的关键部分。  

基于特征比的平面目标识别

模式识别是人工智能研究领域的一项重要课题,对于目标物在射影变换、仿射变换下的识别,尤其是严重变形情况下的识别和匹配更是该领域的研究热点和难点.针对仿射变换下的平面目标识别问题,提出了一种新的几何特征不变量——特征比,并以此为基础构造了一种新的仿射不变图像特征描述符.该描述符通过构造一系列与目标图像相交的直线,将图像用一系列共线点的位置关系进行表示.进而,将点的位置关系转化为特征比并表示成一系列的特征比谱;最后,通过动态时间规整(dynamic time warping,DTW)算法比较特征比谱间的距离得出图像间的相关性,从而进行目标识别.实验表明,该算法不仅对严重的仿射变形有较高的识别率,对相似度较高的图像也有很好的区分效果.