基于极大极小准则的Hopfield联想记忆学习算法*

基于联想记忆各记忆模式的吸引域之间应保持大小平衡的思想．提出了设计Hopfield联想记忆网络的极大极小准则，即设计出的对称连接权阵应使得网络最小的记忆模式吸引域达到最大．首先提出了一种快速学习算法;再发展了一个启发性迭代学习算法，称为约束感知器优化学习算法．大量实验结果表明了本文学习算法的优越性．     

基于多Agent的混合智能学习算法及

本文提出了基于多Agent的混合智能学习算法，将个体学习和群体学习有效地结合起来，并给出了该算法在RoboCup足球机器人仿真系统中的具体应用．实验结果表明了算法的可行性与有效性．     

角分类前向神经网络研究

角分类算法是一类快速分类算法，以其为学习算法的前向神经网络，在信息检索，特别是在线信息检索等领域有着重要的应用．通过对CC4学习算法的分析，揭示了泛化距离在角分类神经网络中的意义．针对文本数据的快速分类要求，提出了新的角分类网络TextCC．为解决数据的多类别判定问题，给出了新的角分类神经网络隐层与输出层之间连接矩阵的学习算法．实验表明，新的角分类神经网络隐层与输出层之间连接矩阵的学习算法有效，TextCC的分类精度教CC4的分类精度显著的提高．     

基于强化学习算法的多机器人系统的冲突消解策略

多机器人系统中，随着机器人数目的增加．系统中的冲突呈指数级增加．甚至出现死锁．本文提出了基于过程奖赏和优先扫除的强化学习算法作为多机器人系统的冲突消解策略．针对典型的多机器人可识别群体觅食任务．以计算机仿真为手段，以收集的目标物数量为系统性能指标，以算法收敛时学习次数为学习速度指标，进行仿真研究，并与基于全局奖赏和Q学习算法等其他9种算法进行比较．结果表明所提出的基于过程奖赏和优先扫除的强化学习算法能显著减少冲突．避免死锁．提高系统整体性能．     

基于谱图理论的流形学习算法

流形学习的主要目标是发现嵌入在高维数据空间的低维光滑流形．近年来基于谱图理论的学习算法受到研究者的广泛关注．介绍了流形与流形学习的关系，着重研究了几种有代表性的基于谱图理论的流形学习算法，并对算法进行了比较分析，最后进行总结和对进一步的研究做了展望．     

一个不受常量序限制的归纳逻辑程序设计算法

文章分析了FOIL（first－orderinductivelearner）递归谓词学习算法理论上的不足以及由此导致的应用范围的局限，并通过两个例子给予详细说明．为了克服这一缺陷，文章引入了反映递归规则集R与实例空间E本质关系的实例图H（R．E）和实例序的概念，奠定了算法的理论基础．在此基础上，给出了基于实例图的FOILPlus算法．算法通过对悬例、悬弧的操作把握住实例序，自然而然地防止了病态递归规则的产生，从而保证了FOILPlus可以不受常量序限制地完成学习任务；同时，算法的时空复杂度较之FOIL算法没有增加．FOILPlus算法已经编程实现，并用它尝试了两个FOIL学习失败的递归任务，都获得了成功．     

一类基于几何分析的迭代学习控制算法

基于几何分析，对迭代学习控制方法的几何框架进行探索．首先通过对Arimoto算法所构成的向量图进行几何分析，导出了一类新的迭代学习算法结构；然后从理论上对所导出的算法进行完整的收敛性分析．该算法结构与已有算法完全不同，但其收敛速度和精度明显提高．仿真结果表明了新算法的有效性和优越性．     

基于解释的算法构架的学习

本文提出了将解释学习方法用于学习算法构架的思想，以提高软件自动化系统从功能规格说明转换到设计规格说明的能力．文中给出了算法构架的表示，操作性的定义及其处理方法．系统从用户给出的一个问题的解中学习算法构架，用于解决一类问题，系统的学习效果表现为通过学习能够解决原来不能解的问题．     

贝叶斯网络参数的在线学习算法及应用

以EM算法为基础，在给定贝叶斯网络结构情况下。研究分析了Voting EM算法并利用该算法对防洪决策贝叶斯网络进行在线参数学习，将该算法与EM算法的学习结果进行了比较分析，结果表明Voting EM算法不但能够进行在线参数学习，而且也具有较高的学习精度．     

一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能，需要从一个新的角度考虑神经网络的学习训练．基于此，提出了一种基于结果反馈的新算法——FBBP算法．将神经网络输入调整与通常的权值调整的反向传播算法结合起来，通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数．并通过几个函数逼近和模式分类问题的实例仿真，将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较，来验证所提出的算法的有效性．实验结果表明，所提出的算法具有训练速度快和泛化能力高的双重优点，是一种非常有效的学习方法．     

模糊推理规则的模糊关系的学习算法AL

针对模糊推理规则中的模糊关系Ｒ通常难以确定问题，本文依据Ａｍｅｒｉ的监督式学习过程，运用ｍａｘ．ｍｉｎ的近似函数来克服ｍａｘ．ｍｉｎ不能直接求导问题，并进而提出了模糊关系Ｒ的学习算法ＡＬ。算法ＡＬ是一个迭代学习算法。     

用于词性标注的一种快速学习算法──对Brill的基于变换算法的一项改进

本文提出了一种快速学习算法，它解决了Brill基于变换的学习方法中规则获取时间过长的问题．在每次迭代过程中，该算法仅需调整受到影响的小部分变换模式，而无需遍历所有变换模式，大大节省了学习时间．应用这一快速学习算法，以SUSANNE英语语料库作为训练文本，获得300条英语词性标注规则和生词处理的概率知识，实现了一个英语词性标注系统，系统封闭测试和开放测试的正确率分别达到了98．2％和96.6％．     

基于算法随机性理论和奇异描述的置信学习机器

摘要根据Kolmogorov算法随机性理论，为学习机器建立了一种置信机制，描述了置信学习机器的算法．论证了通过样本奇异描述函数定义的可计算的样本序列随机性描述函数与Kolmogorov算法随机性理论中定义的，不可计算的序列随机性描述函数具有相同的意义．分别从样本空间距离、样本对分类边界的支持力度和样本应变大小3个不同的角度设计了样本奇异描述函数，利用它们实现了置信学习机器算法．该置信学习机器在Cleveland心脏病理数据识别和签名认证实验中都取得了比较满意的结果．     

基于U－D分解推广卡尔曼滤波的神经网络学习算法

本文针对前馈神经网络ＢＰ算法所存在的收敛速度慢区常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新算法．与ＢＰ和ＥＫＦ学习算法相比，新算法不仅大大加快了学习收敛速度、数值稳定性好，而且需较少的学习次数和隐节点数即可达到更好的学习效果，对初始权值，初始方差阵等参数的选取不敏感，便于工程应用．非线性系统建模与辨识的仿真计算表明，该算法是提高网络学习速度、改善学习效果的一种非常有效的方法．     

基于乘性规则的支持向量域分类器

该文提出了一种基于支持向量域描述(SVDD)的学习分类器．在两类样本分类中，该算法在训练时通过对1类样本的描述求取包含1类样本的球形边界．然后通过该边界对两类样本数据进行分类，并且在求取边界的优化问题中，采用乘性规则来直接求取Lagrange乘子，而不是用传统的二次优化方法．该文所获得的学习算法和支持向量机(SVM)与序列最小优化(SMO)算法相比，不仅降低了样本的采集代价，而且在优化速度上有了很大提高．通过CBCL人脸库的仿真实验．将该算法和SVM、SOM算法的实验结果进行对比，说明了该学习算法的有效性．     

大规模前馈神经网络的一种有效学习算法及其应用

前馈神经网络在复杂系统建模中局限于小型或中等规模的系统，主要原因是：对于大规模问题，现有的神经网络学习算法或者收敛太慢，或者难以收敛．针对这一问题，本文提出一种基于改进的拟牛顿方法的神经网络学习算法该算法内存需要量小，收敛速度快，适合高维神经网络的训练．本文利用该算法训练神经网络建立32输入工业产品质量模型，结果表明了该算法的有效性．     

η-one-class问题和η-outlier及其LP学习算法

用SVM方法研究one-class和outlier问题．在将one-class问题理解为一种函数估计问题的基础上，作者首次定义了η-one-class和η-outlier问题的泛化错误，进而定义了线性可分性和边缘，得到了求解one-class问题的最大边缘、软边缘和v-软边缘算法．这些学习算法具有统计学习理论依据并可归结为求解线性规划问题．算法的实现采用与boosting类似的思路．实验结果表明该文的算法是有实际意义的．     

求解部分可观测马氏决策过程的强化学习算法

针对部分可观测马氏决策过程(POMDP)中，由于感知混淆现象的存在，利用Sarsa等算法得到的无记忆策略可能发生振荡的现象，研究了一种基于记忆的强化学习算法——CPnSarsa(λ)学习算法来解决该问题．它通过重新定义状态，Agent结合观测历史来识别混淆状态．将CPnSarsa(λ)算法应用到一些典型的POMDP，最后得到的是最优或近似最优策略，与以往算法相比，该算法的收敛速度有了很大提高．     

基于内模的机器人迭代学习控制

本文根据内模控制的概念，设计一个扰动控制器，使机器人系统表现为固定参数的解耦线性化系统．基于此线性系统，提出了一种迭代学习控制律，给出了算法收敛的充分条件．算法的参数选择非常简单，从而易于满足收敛条件．仿真结果表明了算法的有效性．     

高精度RBP－模糊推理复合学习系统

该文提出了高精度ＲＢＰ－模糊推理复合学习系统．系统主要由基于鲁棒估计的鲁棒ＢＰ学习环节和基于混合合成推理的模糊推理环节构成．该学习系统的主要特点是可由鲁棒ＢＰ算法和ｍｉｎ－ｍａｘ，ｍａｘ－ｍｉｎ模糊推理算法简单地实现．最后通过在目标跟踪问题中应用结果，表示了该算法的高精度和鲁棒性．