基于遗传算法的隐马尔可夫模型在名词短语识别中的应用研究

为了进一步提高名词短语的识别精度,针对遗传算法和隐马尔可夫模型各自的特点,提出一种基于遗传算法的隐马尔可夫模型识别方法。该方法是在高准确率词性标注的基础上实现的。在训练阶段,用遗传算法获取HMM参数;识别阶段先用一种改进的Viterbi算法进行动态规划,识别同层名词短语,然后用逐层扫描算法和改进Viterbi算法相结合来识别嵌套名词短语。实验结果表明,此联合算法达到了94.78%的准确率和94.29%的召回率,充分融合了遗传算法和隐马尔可夫模型的优点,证明它较单一的隐马尔可夫模型识别法具有更好的识别效果。     

基于EM的隐马氏过程随机迭代算法及其在生物序列启动子识别中的应用

随着后基因组时代的到来,如何去揭示序列背后隐藏的生命信息已成为当前生命科学探讨的主题。而控制基因表达的正是启动子序列,如何去识别和预测序列的启动子区域是基因研究的重点课题。隐马尔可夫模型是最近几年研究基因最主要的模型。本文首先探讨了EM算法并提出了随机迭代算法,在初始状态分布和散发矩阵都随机假设,而转移矩阵由序列计算出的奈件下时人类启动子序列进行识别,平均识别率达到了92．05％。改进了多分类问题中的“投票策略”,提出了“一票决定”算法,使算法次数由O（N2）降到了O（N）,由此对多个DNA家族进行分类,正确率达90．73％。从结果上看,在两类问题上,支持向量机比隐马尔可夫模型优越,但在处理多分类问题上隐马尔可夫模型却比支持向量机有更强的分类能力。     

浅析Java语言中的内部类和匿名类

内部类是定义在一个类内,它有静态内部类与非静态内部类两种。内部类可以访问外部类的成员,但外部类不能直接访问内部类的成员。由内部类可以引申出匿名内部类,匿名内部类在处理事件时是非常方便的。     

用层次分析和模糊数学法归纳多组分精馏分离的顺序

归纳多组分精馏分离的次序在化工过程优化中具有重要意义,而目前常用方法过于主观或繁琐,因此建立一种简单、客观、准确的归纳方法非常重要。同时利用层次分析(AHP)和模糊数学法,构建用来归纳多组分精馏分离次序的数学模型,通过模糊数学的方法构造各属性指标的隶属函数,计算各种分离方案在各个指标中的权重,再利用层次分析法判断其优劣,从而确定分离方案,最后用该模型对2个实例进行了分析,方法简明实用。     

基于模糊穴─穴映射的多变量模糊系统分析

在简要介绍多变量模糊系统的模糊穴－穴映射（ＦＣＭ－Ｉ）模型的基础上，提出了一种对多变量模糊系统进行分解的方法。此法的核心在于认为任何复杂系统的动态都是由其隐含的稳定子动态和不稳定于动态聚合而成，而系统特性则主要取决于决定性子动态的性质。并介绍了确定系统决定性子动态和基于其上的多变量模糊系统渐近分析方法。     

相参脉冲信号识别方法和性能分析

提出了一种相参脉冲信号识别算法,通过检测脉冲相位的线性度判别序列的相参性.该算法通过相参积累,有效地提高了信号的信噪比.文中讨论了门限的选取对算法性能的影响,给出了相应的数学推导,并通过仿真实验对推导结果加以验证.同时还讨论了算法的信噪比门限.仿真实验表明,本方法可以在较低信噪比情况下实现对脉冲信号相参性的识别.本文算法有助于实现对脉冲多普勒雷达的识别和告警,对研制数字射频存储器也具有重要意义.     

C 语言中“穷举”和“递推”算法的基本思想分析

结合实际案例分析C 语言中“穷举”和“递推”算法的基本思想,并对这两种算法的实现方法加以分析和研究, 通过C 语言将其转换成可操作执行的程序编码。文中对“穷举”测试标准的转换技巧和测试范围的控制方式进行了详细的分 析;对“递推”算法从初值、法则和递推次数三方面展开论述,同时对递推的顺序进行阐述。     

GA-BP和GA-RBF网络在结构损伤分析的比较

引出了当人工神经网络算法解决结构工程实践问题时,网络结构本身所面临缺陷。描述了人工神经网络和遗传算法的概念,以及二者的长处和关系,从理论和实例上说明了运用遗传算法优化和改进神经网络结构可行性,从而结合二者的长处解决工程实践问题。详细阐述了如何利用遗传算法优化或改进BP网络模型和RBF网络模型,以及如何利用遗传优化BP网络和遗传优化RBF网络模型分析结构损伤,从而比较遗传BP网络和RBF网络在结构损伤分析方面的性能。     

啤酒发酵过程温度特性分析及控制实现

针对啤酒发酵过程中的关键控制对象温度在其过程中的被控特性,引入以被调变量的偏差和偏差的变化趋势为依据的模糊智能控制算法,设计了啤酒发酵过程微机监控系统,并讨论了系统工程的软硬件实现的问题。系统实际运行效果表明该系统算法适应性和灵活性强,控制效果理想。     

对模糊聚类分析法的改进及其在SRM中的应用

针对传统模糊聚类分析法在信息系统的决策分析中无法有效解决各因素之间的相关性干扰,以及不同特征属性对聚类目标存在重要性差异等问题,本文提出一种融合层次分析法、Mahalanobis距离法及专家群决策法的改进模糊聚类分析法。在特征属性的重要性处理环节,层次分析法用于判断不同特征属性的相对重要性差异;引入Mahalanobis距离法进行相似矩阵的构建,能解决变量之间的相关性干扰问题;专家群决策法用于确定最佳阈值λ,能最大程度地降低主观因素对评价结论的不利影响。在SRM中的应用实验结果表明,改进的模糊聚类分析法在客观性和准确性上更能满足信息系统决策分析的需要。     

一种新颖的自然语言主题转换精确定位方法

自然语言的主题转换是自然语言理解的一个重要线索.语言处理通常是针对不同的主题有不同的数据库和处理方法.因此,如何找到文本中的主题转换点是语言处理中的一个重要内容.该技术在语言理解、文本自动索引以及语言模型的建立等方面都有重要意义.该文以文本主题转换时的词汇突变为表征,提出和定义了反映词汇突变的4个参数,将这4个参数作为输入,利用BP网作为判决工具,建立了一个在不同尺度下文本词汇变化的层次结构模型,实现了一种精确的文本主题转换点的定位方法,其定位精度在一个句子左右.     

Applying fuzzy logic and genetic algorithms to enhance the efficacy of the PID controller in buffer overflow elimination for better channel response timeliness over the Internet

In this paper two novel intelligent buffer overflow controllers: the fuzzy logic controller (FLC) and the genetic algorithm controller (GAC) are proposed. In the FLC the extant algorithmic PID controller (PIDC) model, which combines the proportional (P), derivative (D) and integral (I) control elements, is augmented with fuzzy logic for higher control precision. The fuzzy logic divides the PIDC control domain into finer control regions. Every region is then defined either by a fuzzy rule or a ‘don't care’ state. The GAC combines the PIDC model with the genetic algorithm, which manipulates the parametric values of the PIDC as genes in a chromosome. The FLC and GAC operations are based on the objective function . The principle is that the controller should adaptively maintain the safety margin around the chosen reference point (represent by the ‘0’ of ) at runtime. The preliminary experimental results for the FLC and GAC prototypes indicate that they are both more effective and precise than the PIDC. After repeated timing analyses with the Intel's VTune Performer Analyzer, it was confirmed that the FLC can better support real‐time computing than the GAC because of its shorter execution time and faster convergence without any buffer overflow. Copyright © 2005 John Wiley & Sons, Ltd.