基于CapsNet的汉字字形表征模型

提出基于胶囊神经网络(CapsNet)的汉字字形表征模型,通过表征汉字字形中的部件实现汉字字形的表征.首先,对任一汉字字形生成所有部件类别的表征向量.然后,根据部件存在概率,利用基于欧氏距离的离群点检测,选取相应的部件表征向量.最后,由选出的部件表征向量组成该汉字的字形表征.实验表明,文中模型在仅经过部件字形训练的情况下,即可有效识别汉字部件,同时自动生成汉字字形的有效表征.     

基于模型逼近度和接受概率的一个变步长快速BP学习算法

本文给出模型逼近度的概念。在此基础上并利用模拟退火法的思想，提出了一个改进的变步长快速ＢＰ学习算法。数据结果表明该算法不仅明显地提高ＢＰ网络的学习收敛速度，而且在一定程度上还能避免陷和局部极小。     

人工智能精品课程建设中的学生能力培养

针对人工智能精品课程建设中学生能力培养问题,从科技文献阅读能力、科技文章写作能力和知行合一的综合实践能力3方面进行探讨,提出以学生为主体,以培养学生读、写、综合实践能力为导向的精品课程建设思路和施行方法。     

不相容决策表分解的若干性质

本文指出文献[2]中一个提取不相容决策表决策规则的分解处理方法存在的错误，并且分析错误产生的原因．在此基础上，本文进一步对这种分解方法进行考察，给出了原始不相容决策表和分解后的子决策表之间有关核属性和属性约简等方面的若干关系和性质。     

图像色彩传递中的两种源图选择算法

针对灰度图像上彩问题研究中源图像的选择问题，提出了基于laβ空间中l通道的分布特征和基于广义纹理块分类特征的两种源图像自动选择算法，算法效果良好，减少了图像色彩传递应用过程的人工干预程度，提高了自动化水平．     

基于多维特征向量及ANN技术的色彩传递算法

灰度图像色彩传递可以实现对灰度图像的自动上色处理。分析了目前色彩传递的经典算法——Welsh算法，指出了该算法存在的两大不足之处，提出了一种包含高频纹理信息的向量式像素点描述方式，并结合最近邻域搜索算法（ANN），提出了一种新的色彩传递算法,弥补了传统算法的不足，使灰度图像的彩色化效果有了较大改进。     

基于核的模糊熵聚类算法

Dat Tran等提出的模糊熵聚类算法FEC是模糊C均值聚类算法FCM的一种改进,FEC在FCM的基础上引入熵的概念,对隶属度值分布方面进行算法的优化,但FCM与FEC二者在非线性可分数据处理时表现并不理想。本文提出一种新的基于核的模糊熵聚类算法KFEC,结合模糊熵聚类算法和核聚类算法的优点来增强聚类效果。对比实验表明KFEC能够处理非线性可分的数据的聚类问题,在一定程度上提高了聚类的质量。     

基于优势关系的粗糙集中的一种求核算法

随着粗糙集理论[1]的广泛应用,它得到了不断的发展与扩充.Greco等提出的基于优势关系的粗糙集方法[2]就是该理论的一种扩展模型,它用优势关系代替原来的不可区分关系,在多准则决策分析中得到了广泛的重视[5].由于优势关系是一种不同于不可区分关系的非对称关系,这使得该模型无法利用差别矩阵[3]来求核和约简.文[4]中提出了利用类区分矩阵来求约简,本文将用反例指出用这个方法求核和约简时存在错误,然后在该类区分矩阵的基础上,给出一个新的优势区分矩阵的定义和求核方法,并证明了该方法的正确性.     

基于参考图语义匹配的花卉线稿工笔效果上色算法

研究基于参考图像的花卉线稿图的工笔效果上色问题.现有的基于参考图像的线稿图上色算法对工笔花卉画特有的色彩渐变的特点难以学习和模拟;此外通常还要求参考图像与线稿图具有相似的几何布局结构,这也限制了算法的适用性,故而直接采用现有算法难以实现线稿图的工笔效果上色.基于条件生成对抗网(conditional generative adversarial network, CGAN)框架,提出了一种将参考图像与线稿图进行语义匹配的花卉线稿图工笔效果上色算法RBSM-CGAN.该算法在网络结构设计方面,以U型网络(简称U-Net)为生成器基础,设计了2个附加子模块：1)语义定位子模块.该模块预训练了一个语义分割网络,以生成花卉线稿图的语义标签图,该标签图编码后作为自适应实例归一化的仿射参数引入到上色模型中,提升对不同语义区域的识别能力,进而提高颜色定位的准确性.2)颜色编码子模块.该模块提取参考图像的颜色特征,而后将该特征拼接到生成网络解码层的前3层,利用这种方式将颜色信息注入上色模型,与语义定位模块相配合加强算法对渐变色的学习和模拟.另外,算法在网络训练方面改变传统的“工笔花卉原作-花卉线稿图”...     

改进的基于PSO的离群点检测算法

针对Mohemmed等新近提出的基于粒子群优化(PSO)算法的离群点检测方法(MOHEMMED A,ZHANG M,BROWNE W.Particle swarm optimisation for outlier detection[C]∥GECCO'10:Proceedings of the 12th AnnualConfernce on Genetic and Evolutionary Computation.Oregon,Portland:ACM,2010:83-84)可能出现适应值和相应数据对象的离群度不匹配的不合理现象,分析了存在这种现象的原因,并提出一种改进的适应值函数.新的适应值调整了对不合理邻域半径估值的惩罚力度,从而弱化粒子适应值和对象离群度之间的偏差;算法在解空间范围内搜索近似最优粒子,以确定合适的邻域半径估值;最终基于该半径估值衡量各数据对象的离群度.通过对若干UGI数据案的实验表明,采用新的适应值函数的离群检测算法优于原有方法和LOF方法.所提算法不仅解决了上述存在的问题,离群点检测效果也更突出,这表明合理定义适应值函数有助于提高算法的检测质量.