面向WWW的Java客户在线交谈系统

本文介绍了国际互联网ＷＷＷ和其最新核心技术之一的Ｊａｖａ语言的现状和发展，提出了一种将ＪａｖａＡｐｐｌｅｔ与ＷＷＷ有机结合起来的客户在线交谈系统的方案，并结合具体情况讲述该交互系统在Ｉｎｔｅｒｎｅｔ（尤其是ＷＷＷ）中的改进与多方面应用。     

两输入幂激励前向神经网络权值与结构确定

基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型.以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法.计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力.     

广义多项式神经网络及其结构自适应确定

在前向神经网络模型的基础上,构建了一类新型广义多项式神经网络,依据BP神经网络梯度下降法的思想,给出该神经网络的权值迭代修正公式,并在此基础上建立其结构自适应确定算法,并进行仿真实验.结果表明,该神经网络计算精度高、能自适应地确定网络结构.     

基于大模型的具身智能系统综述

得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型(Large language model, LLM)的具身智能系统面临的挑战与发展方向进行讨论与总结.     

复指数Fourier神经元网络隐神经元衍生算法

以平方可积空间上的复指数Fourier级数作为激励函数构造了新型Fourier神经元网络,并推导出采用加号逆表示的网络权值直接确定公式,克服了传统BP神经网络收敛速度慢、易陷于局部极小点、迭代学习易发生振荡等缺陷。并在此基础上构造了隐神经元衍生算法,克服了传统BP神经网络难以确定最优网络拓扑结构的缺点。理论分析及仿真实验表明,该复指数Fourier神经元网络能够一步计算网络最优权值且能自适应调整网络结构,对随机加性噪声具有抑制作用,并能高精度逼近非连续函数。     

基于免疫算法的午饭时期层际高峰交通电梯群控制的动态优化

层际高峰交通是上行高峰、下行高峰与层间交通客流的融合,午饭交通就是发生在现代办公楼内的层际高峰交通之一,基于午饭时期层际高峰交通的特点,本文提出了一种利用人工免疫算法实现电梯群控制动态优化的策略．该策略采用两级优化控制,利用常规的THV算法对层站召唤分配实施局部优化,采用人工免疫算法定时对层站召唤分配实施全局优化．同单纯的THV算法相比,本文提出的组合算法将平均的系统等待时间降低了21．26%,仿真结果表明,本文提出的优化控制策略能够改善午饭时期电梯系统的服务性能,具有较好的现实意义和研究价值。     

龙格现象难题破解之系数与阶次双确定方法

龙格现象指出,使用基于等距节点的高阶插值多项式逼近龙格函数时,插值多项式在逼近区间两端会产生明显的振荡现象。因此,传统认为,不适宜用基于等距节点的高阶多项式逼近龙格函数。针对龙格现象,展示一种新型的多项式系数与阶次双确定方法。该方法可快速构造出基于等距节点的不会振荡且有较高逼近精度的高阶多项式,良好地逼近龙格函数。计算机数值实验表明该方法是有效的,即运用基于等距节点的高阶多项式可以很好地消解龙格现象。     

三次样条构造的伪逆解法

为了提高三次样条构造的可行性, 基于矩阵的伪逆方法, 提出一种不依赖额外约束条件的三次样条构造的伪逆解法。该解法通过求解出三次样条二阶导数的最小范数解, 从而较好地构造出三次样条函数。理论分析及数值实验结果表明该三次样条构造的伪逆解法具有简单、有效等特点。综合分析各种构造解法的性质, 对各种三次样条构造解法进行归类比较, 为在实际工程计算应用中选择合适的三次样条构造解法提供了指导方向。     

重复运动速度层和加速度层方案的等效性

探讨冗余机械臂之重复运动规划(Repetitive motion planning, RMP), 对应速度层重复运动规划方案, 提出了加速度层重复运动规划方案, 并进一步发现和探讨了速度层与加速度层RMP方案的等效性关系. 基于神经动力学方法的理论分析和基于PUMA560机械臂的计算机仿真结果均证实了本文所提出的加速度层RMP方案在冗余度解析问题上的有效性, 以及速度层和加速度层RMP方案的等效性.     

基于权值与结构确定法的单极Sigmoid神经网络分类器

构造了以单极Sigmoid函数作为隐层神经元激励函数的神经网络分类器,网络中输入层到隐层的权值和隐层神经元的阈值均为随机生成。同时,结合利用伪逆思想一步计算出隐层和输出层神经元之间连接权值的权值直接确定(WDD)法,进一步提出了具有边增边删和二次删除策略的网络结构自确定法,用来确定神经网络最优权值和结构。数值实验结果表明,该算法能够快速有效地确定单极Sigmoid激励函数神经网络分类器的最优网络结构; 分类器的分类性能良好。