基于概念图的汉语语义计算的研究与实现

中文信息处理的发展迫切需要加强汉语语义理论的研究,尤其是汉语语义表示形式和语义计算的研究。针对目前汉语语义计算方法的计算结果并不准确的问题,提出了一种基于概念图的汉语语义计算方法。该方法以“知网”为语义知识资源,以概念图为知识表示方法,把自然语言文本转化为概念图,通过概念图的匹配实现语义计算,以改善语义计算的效果。实验结果表明该方法对汉语语义计算是有效的。     

一种元数据驱动的ETL方法的研究

数据仓库研究中最重要的问题之一是对ETL方法的研究.本研究提出ETL工具是元数据驱动的,以提供更好的柔性机制、扩展能力和可操作性.本文给出了一种基于SQL的元数据驱动的ETL方法的设计和实现细节,并且以国家海洋环境数据仓库为例,证明了这种方法的高效性.     

一种改进的直觉模糊信息系统的决策规则及其约简

直觉模糊集是基于模糊概念研究而建立的,表达模糊度更为细腻,处理不精确信息更为准确。论文是以直觉模糊信息系统为研究对象,以直觉模糊集为工具,给出了一种改进的直觉模糊信息系统的决策规则及约简方法。论文首先给出直觉模糊信息系统的预备知识,然后构造了一种改进的直觉模糊集并研究其性质及规则提取,最后通过实例验证该方法的有效性和可行性。     

汉语语体的计量特征在文本聚类中的应用

提出了将语言计量研究成果应用于文本聚类研究的方法。通过两个50万词的语料样本发现了在现代汉语口语体和书面语体中具有显著分布差异的16个语言结构特征;以其中7个作为文本表示特征准确地将实验文本聚类为口语体（相似度89.84%）和书面语体（相似度86.93%）两类。以语言结构的计量特征表示文本的方法加强了聚类/分类研究的可解释性,具有较高的理论和应用价值。以语料库和统计方法进行语体特征计量研究是汉语语体描写研究的重要方法,阐述了其理论基础。     

一类混合系统稳态型仿真时间的确定方法

对于随机性混合系统稳态型仿真,其仿真时间的确定方法是一个值得研究的问题。该文以线性跳变系统为例,研究了一类混合系统稳态型仿真时间的优化准则与计算方法,并给出了应用实例。     

史前陶器形状的数字化研究

文物形状研究是考古学的重要内容,传统的手工测量和绘制方法是粗略、不精确的,且易造成文物损伤。随着计算机图形学、图像处理等学科的发展以及二维、三维数据获取设备的普及,传统文物研究手段和方法正在发生深刻的变革。该文以美洲印地安陶器定量化研究为例,描述了文物的三维数字化方法,分析了数字化文物的几何造型中基于球面和柱面组合投影的参数化方法,分析了对称性的定量化研究中实际的对称性计算时应解决问题的方法,讨论了数字化研究在考古学中的重要作用。     

基于Matlab的机构运动仿真方法及其比较

在机构学研究中机构运动仿真非常重要。该文根据仿真活动生命周期,研究总结出三类机构运动仿真方法,深入分析了各类方法的特点。第一类方法基于模型解算,以提高模型求解效率为核心;第二类方法基于辅助建模。以提高建模效率为核心;第三类方法基于虚拟现实技术,属于虚拟仿真范畴,它以提高仿真结果理解效率(以可视化与交互性)为核心。三类方法的发展变化体现了仿真活动“以人为本”的指导思想,指出虚拟仿真是机构运动仿真的主要趋势。在MatLab平台上以曲柄摆杆机构为例详细探讨了三类方法的实现过程。该文对于如何有效利用仿真方法和选择仿真工具,从而提高机构设计效率与质量有积极促进作用。     

基于模糊关系理论的信息系统划分方法

对信息系统划分方法的研究一直是信息系统开发研究的一个热点和难点。文章以模糊关系理论为基础,提出了一种信息系统模糊划分方法（ISFD）,并给出了一个应用实例。使用ISFD方法划分的子系统具有良好的系统柔性。ISFP方法简单、实用,具有较高的应用价值。     

网络课程中的知识结构化表示方法

本文以认知科学中的知识建构理论为基础提出了一种结构化知识表示方法,此方法以“单元”作为知识表示的基本结构模块,将单元划分为十种类型,并定义了单元之间的关系。本文的工作是进一步研究面向人的知识表示方法的基础。     

3维GIS空间建模方法评述

3维(3D)空间建模方法是3DGIS研究的核心和难点之一,是建立3DGIS的基础。迄今为止,3D空间建模方法多种多样,建模对象不同,建模方法也随之不同。根据3D空间建模研究的对象,以地球表面为界分为地理空间建模和地学空间建模两大类,并通过现有3D空间建模方法的对比研究,提出了现有3D空间建模研究的关键问题。     

基于LMISVM的相关反馈图像检索

相关反馈技术是基于内容图像检索研究的热点。本文针对现有SVM相关反馈中假定相关图像的所有特征为相关这一不完全准确假设,提出了MISVM短期机器学习相关反馈方法。该方法采用多示例学习方法确定图像中每个特征的相关程度来提高SVM的分类准确性;在此基础上,为进一步提高系统反馈速度与准确率,通过保存以前训练好的分类器和反馈样本,提出了基于LMISVM长期机器学习的相关反馈方法。文中提出的两种方法与其它方法进行了比较实验,结果表明该方法优于其它方法。     

IMORL: Incremental Multiple-Object Recognition and Localization

This paper proposes an incremental multiple-object recognition and localization (IMORL) method. The objective of IMORL is to adaptively learn multiple interesting objects in an image. Unlike the conventional multiple-object learning algorithms, the proposed method can automatically and adaptively learn from continuous video streams over the entire learning life. This kind of incremental learning capability enables the proposed approach to accumulate experience and use such knowledge to benefit future learning and the decision making process. Furthermore, IMORL can effectively handle variations in the number of instances in each data chunk over the learning life. Another important aspect analyzed in this paper is the concept drifting issue. In multiple-object learning scenarios, it is a common phenomenon that new interesting objects may be introduced during the learning life. To handle this situation, IMORL uses an adaptive learning principle to autonomously adjust to such new information. The proposed approach is independent of the base learning models, such as decision tree, neural networks, support vector machines, and others, which provide the flexibility of using this method as a general learning methodology in multiple-object learning scenarios. In this paper, we use a neural network with a multilayer perceptron (MLP) structure as the base learning model and test the performance of this method in various video stream data sets. Simulation results show the effectiveness of this method.     

基于学习风格的自适应式虚拟交互方法的研究

新工科教育的改革推进了自适应学习的发展,以往的自适应方式对学习者的主观能动性的重视不足,且大部分已有研究无法提供个性化程度较高的交互体验.针对这些问题,该研究基于学习风格模型提出了一种自适应式虚拟现实交互的新方法.该方法设计了适用于虚拟交互环境的学习风格判断方式,通过分析学习者的主客观数据来判断其学习风格,由此对交互环...     

一类退化系统目标跟踪学习控制的吸引流形方法

针对一类退化系统目标跟踪的迭代学习控制问题进行了探讨．这类系统不满足目前对迭代学习控制通常所要求的收敛性条件,从而使得学习控制方法在这类系统上的应用遇到困难．为了解决这类问题,提出了一种新的设计方案——吸引流形方法．通过构造一个相应于所给系统稳定而吸引的流形,且在构造的过程中同时设计出学习控制函数序列,以使完成对所给期望目标的跟踪．同时也讨论了这种方法的可实现问题．另外,该方法可无本质困难地应用到相应的非线性系统上．     

An intelligent mobile vehicle navigator based on fuzzy logic andreinforcement learning

In this paper, an alternative training approach to the EEM-based training method is presented and a fuzzy reactive navigation architecture is described. The new training method is 270 times faster in learning speed; and is only 4% of the learning cost of the EEM method. It also has very reliable convergence of learning; very high number of learned rules (98.8%); and high adaptability. Using the rule base learned from the new method, the proposed fuzzy reactive navigator fuses the obstacle avoidance behaviour and goal seeking behaviour to determine its control actions, where adaptability is achieved with the aid of an environment evaluator. A comparison of this navigator using the rule bases obtained from the new training method and the EEM method, shows that the new navigator guarantees a solution and its solution is more acceptable.     

Training recurrent neural networks using a hybrid algorithm

This paper proposes a new hybrid approach for recurrent neural networks (RNN). The basic idea of this approach is to train an input layer by unsupervised learning and an output layer by supervised learning. In this method, the Kohonen algorithm is used for unsupervised learning, and dynamic gradient descent method is used for supervised learning. The performances of the proposed algorithm are compared with backpropagation through time (BPTT) on three benchmark problems. Simulation results show that the performances of the new proposed algorithm exceed the standard backpropagation through time in the reduction of the total number of iterations and in the learning time required in the training process.     

Exponential H∞ stable learning method for Takagi–Sugeno fuzzy delayed neural networks: A convex optimization approach

In this paper, we propose some new results on stability for Takagi–Sugeno fuzzy delayed neural networks with a stable learning method. Based on the Lyapunov–Krasovskii approach, for the first time, a new learning method is presented to not only guarantee the exponential stability of Takagi–Sugeno fuzzy neural networks with time-delay, but also reduce the effect of external disturbance to a prescribed attenuation level. The proposed learning method can be obtained by solving a convex optimization problem which is represented in terms of a set of linear matrix inequalities (LMIs). An illustrative example is given to demonstrate the effectiveness of the proposed learning method.     

基于自适应模糊神经系统的网络学习评价模型研究

学习评价是网络学习中十分重要的环节,为克服原有网络学习评价方法的不足,构建一种基于自适应模糊神经系统的评价模型,并进行实验仿真。测试结果表明,基于自适应模糊神经系统的网络学习评价模型提高了网络学习评价的准确率,为网络学习提供一种新评价方法。     

前馈神经网络的新学习算法研究及其应用

为了提高多层前馈神经网络的权的学习效率。通过引入变尺度法,提出一种新的学习算法。理论上新算法不仅具有变尺度优化方法的一切优点,而且也能起到Kick—Out学习算法中动量项及修正项的相同作用,同时又克服了动量系数及修正项系数难以适当选择的困难。仿真试验证明了新学习算法用于非线性动态系统建模时的有效性。     

非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.