基于知觉加工模式的发展式分词算法

分词是自然语言理解的一个重要过程,由于语言问题又是最重要的心理学问题之一,所以从认知心理学和发展心理学的观点出发,将分词问题看成是知觉问题在语言信息处理过程中的一部分,把知觉表达和知觉的双向加工过程引入对分词问题的分析,并同时考虑言语发展的心理过程,把对言语发展规律的归纳作为构造学习算法的基础和模板,以进化的方式来逐步改进自然语言理解系统的性能,从而避免知识获取瓶颈在自然语言理解问题中的出现。     

基于多尺度感受野模型的指向性图像分析

借鉴生物视网膜的结构与特点，设计基于生物视觉机理的计算机视觉算法，可为诸如机器人控制、模式识别、图像理解等领域提供很有价值的启示。文章基于视网膜的生理特性，建立了模拟生物视网膜生理机制的网络模型。该网络模型在对特定区域的图像进行处理的同时保持对更大范围内图像信息的警觉，并有利于对重要信息的捕获。     

基于神经元网络的言语的计算结构研究初探

Language acquisition,understanding and production are three core problems in the field of cognitive linguistics and computational linguistics.After the investigation of information processing mechanism from the physiological psychology view,we get that the procedures of language porocessing are executed by some structure,that is to say all mental activities concerned with acquisition,understanding and production are the appearances of this structure, and it is developmental with the growing of cognition development including language.Thus three detail problems are pivotal, they are representation problem,learning problem and computation problem.     

基于人造物体直线段结构特征的不变性识别

传统的用假设验证法进行三维物体识别的方法需要通过一组非线性方程组求解从模型到场景的坐标系变换,具有非常高的复杂度.文中提出了一种基于能够表明物体几何构造的直线段特征的人造物体识别方法,将假设验证法中对于全局坐标系变换的求解分散在各个平面单应性变换的求解中,降低了求解的复杂度.该方法首先利用几何不变量预匹配特征点,进而假设并求出场景和模型平面之间的单应矩阵,随后通过模型与场景之间直线段特征匹配的结果进行验证.实验证明,该方法能够快速准确地识别含有较多共面直线段特征的人造物体.     

一种基于规划自动生成的GIS专题分析模型设计

将人工智能(Artificial Intelligence,AI)领域的理论和技术与地理信息系统(Geographic Information System,GIS)相结合来设计地理信息系统专题分析模型,通过增强其在问题求解、自动推理、决策、知识表示与使用等方面的能力,使得GIS的专题分析模型能自动地、智能化地解决复杂的现实问题,是GIS的重要发展方向之一。论文在总结和分析这一领域国内外已发表的研究成果的基础上,提出一种基于规划自动生成的GIS专题分析模型的设计方案,并详细阐释了该分析模型中知识表示、自动推理等的设计细节。     

利用多层视觉网络模型进行图像局部特征表征的方法

为了寻求代价更小、效率更高、适应性更强的图像局部特征表征方法,提出一种基于视觉机制的多层网络计算模型.首先对初级视皮层中的简单细胞和复杂细胞等神经元进行建模;然后对腹侧视通路上的V4区神经元和下颞叶皮层区神经元的响应模式进行研究,并利用该计算模型对输入图像进行局部特征的表征.实验结果表明,与传统的图像特征描述方法相比,该模型所提取的图像局部特征具有足够的区分度;此外,利用生物视觉模型提取出的图像局部特征在具有复杂背景的场景中显示出了更加优秀的泛化能力.     

面向可解释性的物体拓扑结构骨架表征方法

目的 模式识别中，通常使用大量标注数据和有效的机器学习算法训练分类器应对不确定性问题。然而，这一过程缺乏知识表征和可解释性。认知心理学和实验心理学的研究表明，人类往往不使用代价如此巨大的机制，而是使用表征、归纳、推理、解释和约束传播等与符号主义人工智能方法类似的手段来应对物体识别中的不确定性并提供可解释性。因此本文旨在从传统的符号计算出发，利用骨架拓扑结构表征提供一种可解释性的思路。方法 以骨架树为基本手段来形成物体拓扑结构特征和几何特征的形式化表征，并基于泛化框架对少量同类表征进行知识抽取来形成关于物体类别的知识概括显式化表征。结果 在形成物体类别的概括表征实验中，通过路径重建直观展示了同类属物体上得到的最一般表征的几何物理意义。在可解释性验证实验中，通过跨数据的拓扑应用展示了新测试样本相对于概括表征的特定差异，表明该表征具有良好的可解释性。最后在形状补全的不确定性推理实验中，不仅可以得到识别结论，而且清晰展示了识别背后做出的判断依据，进一步验证了该表征的可解释性。结论 实验表明一般化的形式表征能够应对尺寸、颜色和形状等不确定性问题，本文方法避免了基于纹理特征所带来的不确定性，适用于任意基于基元的表征方式，具有更好的鲁棒性、普适性和可解释性，计算代价更小。     

一致性函数研究

通过把聚类集体当成一个概念型数据集,把聚类集体一致性函数问题转换成了一个普通的聚类问题,应用概念型数据聚类算法k-modes和LIMBO来进行聚类集成。实验结果证明用概念型数据聚类算法进行集成效果理想。     

一种基于聚类集成技术的混合型数据聚类算法

提出了一种基于集成技术和谱聚类技术的混合数据聚类算法CBEST。它利用聚类集成技术产生混合数据间的相似性,这种相似性度量没有对数据特征值分布模型做任何的假设。基于此相似性度量得到的待聚类数据的相似性矩阵,应用谱聚类算法得到混合数据聚类结果。大量真实和人工数据上的实验结果验证了CBEST的有效性和它对噪声的鲁棒性。与其它混合数据聚类算法的比较研究也证明了CBEST的优越性能。CBEST还能有效融合先验知识,通过参数的调节来设置不同属性在聚类中的权重。     

形象思维的视表象基础

形象思维是普遍存在的，形象思维是依赖于直接的知觉经验的，并在心理上表现为对表象的操作，在视觉的中枢神经皮层机制中的功能柱型结构阵列可设想为表象的计算基础，这样就找到了视表象的表示和实现基础，在文中还对形象思维的实现过程进行了讨论，并指出了5个形象思维研究的核心问题，本文取认知观点，强调的是认知心理功能的计算依托和生理基础，也即“解释智能”的思想，或说从这样一个思想出发，发现思维的认知结构是认知科学的中心问题。