一种多目标优化的多概率模型分布估计算法

提出了一种用于多目标优化的多概率模型分布估计算法,该算法在进化的每一代中使用多个概率模型来引导多目标优化问题柏拉图(Pareto)最优域的搜索.分布估计算法使用概率模型引导算法最优解的搜索,而使用多个概率模型可以保持所得多目标优化问题最优解集的多样性.该算法具有很强的寻优能力,所得结果可以很好地覆盖Pareto前沿.实验通过优化一组测试函数来评价该算法的性能,并与其它多目标优化算法进行了比较,结果表明该算法相比于其它同类算法可以更好地解决多目标优化问题.     

一种基于移动智能体的网络安全模型系统

论文提出了一种基于移动智能体的网络安全模型系统。该模型系统的特点是采用移动智能体技术,并结合传统的入侵检测技术和防火墙等其它安全技术。在模型系统的实现中,初步解决了移动智能体和平台设计、移动智能体的安全机制等关键问题,并证明了系统是可行的。     

集成印制电路板设计系统IPBDS

本文描述一个在微型计算机上实现的集成印制电路板设计系统IPBDS.在IPBDS的研制过程中,采用了支持分层设计的并行系统结构,将各种用于设计输入、设计检验和布图设计等CAD工具集中由一个设计数据库进行统一的组织和管理,实现了电路设计的一次性输入存储,供多个CAD工具共同使用,避免了各工具间复杂和重复的数据转换,减少了存储的冗余,保证了数据的一致性和设计的完整性,为印制电路板设计提供了一个集成和有效的环境.     

一种基于个人身份认证的正面人脸识别算法

利用小波分解提取人脸特征技术和支持向量机 (SVM)分类模型 ,提出了一种基于个人身份认证的正面人脸识别算法 (或称为人脸认证方法 ) .针对 M个用户的人脸认证算法包括二个阶段 :(1)训练阶段 :使用小波分解方法对脸像训练集中的人脸图象进行特征提取 ,并用所提取的人脸特征向量训练 M个 SVM(对应 M个用户 ) ;(2 )认证阶段 :先由待认证者所声称的用户身份 (姓名或密码等 )确定对应的一训练好的 SVM,然后用这一 SVM对小波分解方法提取的待认证人的脸像特征向量进行分类 ,分类结果将显示待认证人所声称的身份是否真实 .利用 ORL人脸图象库对该算法的实验测试结果 ,以及与径向基函数神经网络作为分类器时的实验结果比较表明了该算法性能的优越性     

基于虹膜生物特征信息的图像加密方法

针对目前图像加密中的密钥安全性问题,提出一种基于虹膜生物特征信息的图像加密方法。该方法一方面确保了密匙的安全性;另一方面,密匙的获取无须传送。它通过虹膜采集系统的在线认证,使得具有授权的用户方能正确获取密钥,实现图像解密。与此同时,着重强调当用同一生物特征信息对多幅不同图像进行加密时,采用独立变量分析法能有效分离出密钥信息或原图像。     

一种支持智能匹配检索的数据集成系统设计

提出一种解决分布异构数据集成问题的方法.首先向所有能提供数据资源的网络节点以数据服务单元为基本单位主动发布数据服务,然后用智能匹配方式检索分布数据服务来实现动态的数据集成查询.通过融合应用语义Web、Web本体语言和描述逻辑等具有智能特点的技术,该方法能充分利用数据的形式语义和基于本体概念的知识推理工作.基于该方法,设计一个数据集成原型系统,并对系统的核心组件进行实验测试.结果表明,本方法系统能有效、可靠工作,能兼顾解决数据集成系统的适应性和性能问题.     

神经网络与神经计算机

脑科学和神经系统的研究已经有很长的历史。长期以来,人们一直梦想着通过对神经系统的研究,发明一种仿效人脑信息处理模式的智能式计算机。自从四十年代冯·诺曼发明基于串行符号处理的数字电子计算机以来,虽然获得了巨大的成功,但在诸如模式识别、人工智能等方面都碰到极大的困难,促使人们以更大的兴趣去研究并行处理模式为特征的神经计算学。八十年代初,在美国、日本和欧洲,都掀起一股神经网络理论和神经计算机的研究热潮。各个先进国家都相继给出巨大的投资,制定出强化研究计划、开展对脑功能和新型智能计算机的研究。并着重将神经网络原理应用于图象处理、模式识别、语音综合及智能机器人控制等领域。目前,有关神经网络的研究机构,遍及美国各大学、公司及国防、宇航的研究部门。1987年6月在美国召开第一届神经网络国际会议、并发起成立国际神经网络学会(INNS)。之后,以IBM 公司、Bell 研究所和日本的富士通、NEC 等大公司,纷纷研制各种神经芯片、相继推出各种软件、硬件产品。为神经计算机的实现,迈出了第一步。神经网络的主要特征是:大规模的并行处理和分布式的信息存贮,良好的自适应性、自组织性。并且具有很强的学习功能、联想功能和容错功能。通过神经网络的研究,将对探索更加完善的智能计算机系统和相应的人工智能技术,开辟新的途径。目前,国外神经网络的研究热潮仍方兴未艾。为了向读者系统地介绍有关神经网络和神经计算机的基本理论、学习算法和应用技术。特开辟这个专题讲座。本讲座共分八讲。第一讲:神经网络模型。第二讲:神经网络的学习算法。第三讲:神经器件。第四讲:神经计算机。第五讲:光神经计算机。第六讲:神经网络在视觉信息处理中的应用。第七讲:神经网络在模式识别中的应用。第八讲:神经网络在机器人控制中的应用。     

基于量子遗传算法的多通道通信信号盲反卷积算法研究

本文在分析多输入多输出盲反卷积的网络结构和算法模型的基础上，提出了一种基于输出信号上下文信息的盲反卷积算法，并提出一种采用量子遗传算法的新的优化求解方法，对仿真的通信信号分离的结果表明算法的有效性。     

量子神经计算模型研究

量子神经计算（Quantum Neural Computation)是传统神经计算与量子理论相结合而产生的一种新的计算模式，本文论述了量子神经计算出现的原因及其特征，着重分析了几种典型的计算模型，并就其中存在的问题提出相应的解决方案，最后进行相关讨论。     

差分RBF神经网络的预测算法及其应用

针对RBF(Radial Basis Function)神经网络处理非平稳时间序列的不足,本文提出一 种修正的差分RBF神经网络结构,并给出相应的预测算法,将其应用于金融领域,对上证指 数进行预测,结果表明其性能优于传统的RBF网络．