用VC++实现基于A*算法的八数码问题

在人工智能领域中，八数码问题一直都是一个游戏难题。介绍了八数码问题，然后在启发式搜索算法上对A＊算法定义进行了解释，并在其旨在提高搜索效率的方面作了比较详尽的介绍，详细描述了基于图搜索算法的解决此类问题的一种启发式搜索算法——A＊算法。再依据这种算法用可视化编程语言VC＋＋6．0来实现八数码问题的求解过程，取得了预期的搜索解，提高了搜索效率。     

网络结构分析的粒计算

网络结构分析是人工智能领域基本问题。应用粒计算方法讨论了网络结构信息计算,从粒计算基本问题角度,采用商空间理论研究了网络结构粒化和粒化后不同粒度空间中的问题,特别是基于粒化如何计算不同粒层的粒间距离问题。应用方面,讨论了大规模网络结构最短路径搜索问题。作为大规模网络路径分析的预处理方法,选择社团作为基本粒,将大规模网络粒化到不同的粒度空间,形成不同粒度商空间的分层递阶粒度链。提出了基于分层递阶粒度链的大规模网络的启发式路径搜索方法。与A*和ALT方法进行了比较,验证了粒计算方法的有效性。     

一种新的网络拓扑建模方法

网络拓扑结构能够很好地解决服从某种规律的网络传播行为问题,所以针对不同的预测和改善网络性能的目的,建立合适的网络拓扑模型是非常重要的。从复杂网络拓扑建模的角度出发,综合考虑了节点和链接的加入与消亡、节点的孤立、网络内新增的内部连接以及局域网内部的偏好连接等因素,提出了一个新的网络拓扑建模的方法NBSFN（New Base Scale Free Network）。运用Java和Matlab工具对结果进行了仿真研究,发现仿真结果能够很好地刻画出无标度、小世界等诸多特性。     

邻域感知的不平衡数据集过采样方法

不平衡数据学习是机器学习中一个研究热点,近年来得到广泛的关注.以SMOTE为代表的过采样方法是不平衡数据学习的主流方法之一,近年来涌现出大量的基于SMOTE的改进过采样方法.但是,当前对过采样的研究中,如何利用样本分布信息,实现高效的过采样,仍然是一个具有挑战的问题.本文提出一种有监督的样本空间分布学习方法,用以学习少...     

发电机组混合式低压加热器改造的变工况性能分析

针对火电厂给水回热系统的表面式加热器存在传热温差,热经济性能不如加热蒸汽与给水直接接触的混合式加热器的问题,对某600 MW超临界发电机组的低压加热器进行不同方案的混合式加热器改造,建立机组仿真模型,计算分析不同改造方案在额定出力工况下的热经济性能,并对其中的最优方案进行变工况热经济性能计算分析。研究表明,优选方案在各种工况运行下均具有较佳的热经济性能,在低负荷工况时性能优势尤为突出。     

覆盖算法在文本分类中的应用

介绍了文本分类的基本过程以及朴素贝叶斯和K近邻算法等基本分类方法，给出了基于覆盖的构造性神经粤络分类算法，并将其与朴素贝叶斯和KNN作了实验比较。结果表明，该算法具有较好的分类性能，适合于处理大规模的文本分类任务，从而有效地克服了传统文本分类算法的不足。     

一种基于资源优化神经网络(RON)的文本分类方法

应用有指导的机器学习方法实现了一个文本分类器。运用改进型的CHI统计量方法对分词结果进行特征提取,对传统的TF-IDF加权公式进行了一些改进（称之为：ETF-IDF）,运用资源优化神经网络RON（Resource-optimizing Networks）构建分类器。在复旦大学提供的中文文本分类语料库上进行分类实验,实验结果表明该分类器较之BP算法有较高的分类质量,且ETF-IDF加权公式较之传统的TF-IDF加权公式有其优越性,提高了分类的精度和性能,满足了中文文本自动分类的要求。     

基于灰色-马尔可夫模型的粮食产量预测

文中首先用1976年到1995年的桐城县冬小麦单产,建立灰色GM（1,1）模型,再用随机过程理论的马尔可夫模型获得GM（1,1）模型在已知年份里的偏差规律（即偏差的转移概率矩阵）,并且依照此规律对GM（1,1）模型结果进行修正,将由GM（1,1）模型预测的一个具体数值,修正成为区间和概率组成的预测范围,增加预测的可靠性。最后用灰色-马尔可夫模型外推预测1996年到2000年共5年的小麦单产。实验说明灰色-马尔可夫模型大大提高了预测精度,将预测结果表示为预测范围,更为准确地反映出粮食产量的走势。     

作物产量预测的粒度分析法

针对作物产量预测,提出基于商空间粒度计算的分析法。在商空间粒度计算理论思想下,分析作物产量序列中粒度的选取,用属性划分方法对论域X进行颗粒化,对属性f取不同的粒度进行颗粒化。通过属性的粒度变化对论域进行划分,得到新的商空间并应用其解决问题,可以降低问题复杂度。通过商空间理论中的分层与合成技术选取大小合适的粒度,能全面获取产量序列中的信息,也更加符合人类智能特点。冬小麦产量预测实验结果也证明这种粒度分析和选取方法是有效的。     

基于特征投影和交叉覆盖神经网络的车牌识别

汽车牌照的自动识别在智能交通系统中占有重要地位，应用前景广阔。在自动识别过程中，牌照中的数字和汉字具有数量少和字体特征固定的特点，故其投影特征明显，利用此性质可以对车牌汉字进行快速分类，但精度不高。神经网络分类准确，且有很强的鲁棒性，但运算量大，识别时间太长且数据不易收敛。文中提出的基于投影和交叉覆盖神经网络的车牌识别方法充分融合利用了两者的优点，克服了各自的不足，达到了较好的结果。