键盘问题的一些软件处理方法

键盘是一组开关的组合,是常用的输入设备之一。 对于键盘要解决的问题有:反弹跳问题、连击问题、复合键问题、串键问题。 以下是解决这些问题的处理方法。 (1)反弹跳问题。反弹跳问题就是通常所说的抖动问题,即按键在闭合与断开时会产生抖动。这时触点的逻辑电平是不稳定的,如不妥善处理,将     

顶点覆盖变体问题的确定参数可解算法研究

参数复杂性作为算法研究的一个重要分支,近十年来在国际上受到了广泛的关注,确定参数可解算法是参数复杂性研究的一类重要问题,因此被广泛研究。本文主要研究了顶点覆盖问题的两个变体问题：一个是连接的顶点覆盖问题,二是含权的树型顶点覆盖问题。这两个问题都是对原始的顶点覆盖问题加入了一些限制的变体问题。本文给出了这两个问题的确定参数可解算法,并且是目前的最好结果。     

过程间并发程序分析不可判定的一个新证明方法

过程间并发程序分析问题是一个不可判定问题,理解这个不可判定问题的来源是发展一个有效的分析算法的基础.现有的证明[1]通过构造三个并发任务的PCP问题实例,证明过程间并发程序分析是一个不可判定问题.利用反射的思想,仅仅用两个并发任务构造该问题的一个PCP问题实例,证明在两个并发任务的情况下,过程间并发程序分析是一个不可判定问题.     

矩形的三角形划分问题研究

给出了矩形的三角形划分问题的定义,该问题是三角形Packing问题的一个特例,证明了该问题是NP完全的,并给出了该问题有解的一个必要条件。     

混合和声搜索算法求解基于学习效应的PFSP问题

置换流水线调度问题（Permutation Flow-shop Scheduling Problem,PFSP）作为流水线调度问题的子问题,实质是一个著名的组合优化问题,其已被证明了是NP完全问题中最困难的问题之一。带学习效应的PFSP问题是一种更符合实际问题的模型,为了更好地解决此问题,在此提出了一种混合遗传算法和粒子群算法的改进和声搜索算法。对CAR1问题及其学习型调度进行了仿真实验,结果表明所提算法的可行性和有效性。     

图着色算法解决考试时间安排问题的优化

时间表问题是将有限的时间资源分配给多个对象的资源分配问题,它是一类具有多约束条件的组合优化问题。时间表问题已经被证明是一个NP完全问题。大学考试时间安排问题是时间表问题的一个应用,利用改进的图着色算法来处理大学考试的时间安排问题能够最大程度上使考试时间安排得更加人性化、合理化。实验测试表明,基于所给出的算法实现的考试时间安排系统具有良好的可行性、实用性和优越性。     

关于科学计算用数字电子计算机的字长与速度、内存的匹配关系的讨论

对适合于科学计算用的数字电子计算机的字长的选取问题,实质上是个舍入误差积累的估计问题。对于一般的计算问题进行舍入误差积累的估计是个非常复杂的问题.舍入误差的积累不仅依赖于具体问题本身,依赖于问题中所含的参数,甚至于还依赖于问题     

基于动态规划法求解动态o-1背包问题

随机时变背包问题(RTVKP)是一种动态组合优化问题,也是一种典型的NP-hard问题。由于RTVKP问题中物品的价值、重量和背包载重均是动态变化的,导致问题的求解非常困难。在动态规划法基础上,提出了一种求解背包载重随机变化的RTVKP问题的确定性算法,分析了其复杂度和成功求解需要满足的条件。对两个大规模实例的计算表明,该算法是求解RTVKP问题的一种高效算法。     

电子政务全球透视与我国电子政务的发展

电子政务的发展遇到两个主要的难点:第一个是电子政务的一体化问题,第二个是所谓数字鸿沟问题。电子政务的发展还面临两个比较大的制约因素:其一是所谓个人隐私问题,另一个则是安全和认证问题。     

One-against-all ensemble for multiclass pattern classification

This paper presents a new method called one-against-all ensemble for solving multiclass pattern classification problems. The proposed method incorporates a neural network ensemble into the one-against-all method to improve the generalization performance of the classifier. The experimental results show that the proposed method can reduce the uncertainty of the decision and it is comparable to the other widely used methods.     

一种基于聚类技术的Hopfield网络求解TSP方法

Hopfiled神经网络方法已被广泛用于求解旅行商问题（TSP）,但对于解中规模和大规模的TSP,存在效果不理想甚至难以求解的问题。为了较好地解决这个问题,该文提出一种K-Means聚类算法与Hopfield网络方法相结合求解TSP的新方法,先应用聚类算法对所给城市进行聚类以获得几组规模较小的城市,然后对每一组城市应用Hopfield网络方法进行求解,最后把求解后的每组城市连接起来。计算机仿真结果表明,该方法可以获得最优有效解,并且解的质量明显提高,对求解中大规模的TSP比较有效。     

CPN神经网络及其在结构识别中的应用

本文建立了基于ＣＰＮ（ＣｏｕｎｔｅｒｐｒｏｐａｇａｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ）神经网络的计算力学反问题分析方法,并将其应用于薄板振动系统识别。研究结果表明,神经网络计算是工程结构分析中一种很有发展潜力的新方法。     

一种求解TSP问题的新型人工神经网络方法

该文基于输出一阈值耦合神经网络的自动波现象，提出了一种用自动波方法求解TSP问题的方法。该方法具有鲁棒性和可靠性好、大规模并行计算等特点，可用于求解对称、非对称赋权图的TSP问题。与目前其它求解TSP问题的方法相比，自动波方法执行更为简单，不需要太多人为的选择参数等问题，且不存在局部极小点的问题，求得的解全部是最优解。其所需的计算量(迭代次数)主要取决于最短回路的长度，而与图的复杂程度、所存在的通路总数关系不大。最后文中给出了TSP求解的例子。     

一种基于田口-遗传算法确定的神经网络及其应用

为了解决神经网络结构和参数难以确定的问题,提出用工程领域内的田口设计方法和人工智能领域的遗传算法相结合的方法,用于同时确定神经网络结构和参数.将该算法应用到了小麦期货的收盘价短期预测上,结果表明,算法有较好收敛能力,预测是可行和有效的,有着良好的应用前景.     

The Hopfield neural network applied to the Quadratic Assignment Problem

The Hopfield neural network is proposed as a method for solving the Quadratic Assignment Problem. The study involves determining the relevant parameter constraints, and provides a comparison of the performance of the Hopfield model with that of a conventional approach.     

非对称型Hopfield神经网络的学习问题

联想记忆是人工神经元网络的重要功能之一,比讨ield网络是一种重要的应用于联想记忆型网络。为了实现记忆功能,我们总希望通过训练使徉本成为网络的稳定状态。然而汗bpfield网络利用决bb规则训练。     

提高BP网络收敛速率的又一种算法

提高BP网络的训练速率是改善BP网络性能的一项重要任务。该文在误差反向传播算法(BP算法)的基础上提出了一种新的训练算法，该算法对BP网络的传统动量法进行了修改，采用动态权值调整以减少训练时间。文章提供了改进算法的仿真实例，仿真结果表明用该方法解决某些问题时，其相对于BP网络传统算法的优越性。     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。     

最小二乘支持向量机算法研究

1 引言支持向量机(SVM,Support Vector Machines)是基于结构风险最小化的统计学习方法,它具有完备的统计学习理论基础和出色的学习性能,在模式识别和函数估计中得到了有效的应用(Vapnik,1995,1998)。支持向量机方法一方面通过把数据映射到高维空间,解决原始空间中数据线性不可分问题;另一方面,通过构造最优分类超平面进行数据分类。神经网络通过基于梯度迭代的方法进行数据学习,容易陷入局部最小值,支持向量机是通过解决一个二次规划问题,来获得