粗糙集的RBF表示与非监督模式分类

提出了一种粗糙集的ＲＢＦ网络表示形式，在集值测度意义下，将粗糙集的语义表达进行了有效的描述，并构造了其自适应自组织的遗传学习机制．其创新性主要表现在：（１）通过ＲＢＦ网络有效地构造了粗糙集在模式分类中的自适应表示形式；（２）在遗传算法中引入了元进化自调整机制；（３）以粗糙集意义下的非线性映射方式提高了模式分类的计算效率．图３，表１，参４．     

基于自组织神经网络的模式分类研究

分析了常用的ＶＱ（ＶｅｃｔｏｒＱｕａｎｔｉｚｅｒ──矢量量化）分类算法所存在的缺点，提出用自组织神经网络模型取代ＶＱ算法，对这种模式分类的过程进行了描述，并阐明它的优点．     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈（ＢＰ）网络只要其隐层节点数足够多就能解决任何形式的分类问题．应用标准（ＢＰ）网络识别多模式类分类问题时存在以下缺陷：（１）对不同模式类均使用相同数目的隐层元；（２）增加新模式类后，网络要重新学习；（３）网络识别的机理研究困难．笔者提出了一种局域连接前馈神经网络（ＬＣＮＮ）结构，其隐层神经元与输出神经元之间为局域连接，学习算法与ＢＰ算法类似．ＬＣＮＮ具有以下特点：（１）便于自构网络结构，提高网络的推广能力；（２）便于提取各模式类的不变特性；（３）具有较强的记忆能力，便于实现追加学习．以五种海底沉积层介质类型的分类识别为例，分别利用标准前馈（ＢＰ）网络与ＬＣＮＮ网络进行分类识别，结果表明：ＬＣＮＮ便于自构网络结构，具有追加学习的能力．     

基于可生长自组织映射的意识任务分类

在基于脑电（EEG）的脑一机接口技术中，使用可生长自组织映射（SOM）神经网络进行了5类意识任务分类的研究．结果表明：①可生长SOM能够根据数据内部结构自适应地调整确定其映射网络的拓扑形状，在一定程度上反应了数据的分布特征；②可生长SOM更关注那些表达误差比较大的映射单元，从而整体上减小了映射网络的表达误差，提高了对数据模式的表达能力，有利于模式的分类处理；③可生长SOM侧重于表达类别之间的边界信息，这对于分类问题有着积极的作用．与传统SOM相比，使用可生长SOM进行5类分类处理得到的分类精度提高了10％左右，分类正确率可以超过80％，说明可生长SOM在脑-机接口系统中有着很大的潜在应用性．     

工艺设计实例推理的神经索引模型的研究

提出了一种基于神经网络的工艺实例推理索引模型，与现存大多数实例推理系统不同，该方法用神经网络实现实例的动态分类和索引，实例层次分类的３层结构和基于特征的聚类模板概念，为实现基于符号处理的实例推理求解模式向基于向神经计算模式识别求解模式映射提供了条件。     

基于动态分类算法的入侵检测系统

为了使分类方法适合网络入侵检测系统在线、实时的特点,根据自适应谐振理论提出了基于联想和竞争学习的动态分类算法。算法采用改进的胜者全得方法训练神经网络,通过估算类别数目方法优化初始系数。该算法能防止分类时丢弃特殊模式,并能对未知类别数量的数据动态进行分类,实验采用相同的数据集训练自适应谐振理论网络和动态分类网络。结果证明,动态分类算法具有良好的收敛性和模式分类能力。将该算法应用于入侵检测系统的网络行为智能学习,其误报率仅为10%左右。     

提供QoS保证的WiMAX Mesh网络架构设计

为解决IEEE802．16-2004标准中Mesh模式缺乏QoS（Quality of Service）保证机制的问题，提出了新的支持QoS保证的WiMAX（Worldwide Interoperability for MicrowaveAccess）Mesh网络架构。该架构使用原标准已有业务分类，定义了动态业务流建立的协议流程。通过拓展分布式管理消息实现了动态业务管理消息在WiMAX Mesh中的传递。改进Mesh模式下数据子帧分配方法，提供了不同业务的数据调度。改进的分布式调度消息可以快速地、完成业务流建立，数据子帧的分配方法则对不同级别业务提供了吞吐量和时延方面的支持。该架构设计可以有效地实现WiMAX Mesh网络服务质量保证。     

基于聚类方法的CAPP零件知识库构建

传统的零件分类一般根据零件编码从特征矩阵中得到分类结果，未能很好地表达各个零件之间的相似关系，对工艺设计也不能提供启发性的推理策略．此外，零件分类矩阵本身的相似性标准也难以确定，给零件的工艺制作带来了很多困难．为此，提出了一种利用聚类技术构造树型结构表达零件相似性的方法，并根据零件之间的相似性建立层次结构以进行动态分类，进而构建一种有自学习能力的零件知识库．考虑到机器智能的局限性．分类结果可能不尽合理，分类树又能够在自动压缩优化的基础上进行手工优化，并将优化结果记录于分类树中．该知识库能及时反映零件信息的动态更新，并对零件进行多层次、细粒度的动态分类，使零件分类粒度不受数据规模的限制，从而可以通过建立索引结构，实现自适应的工艺设计自动化。     

基于分类思想的联想记忆神经网络

根据分类思想设计了2层反馈自联想记忆神经网络模型，它符合大脑联想记忆的分类思想，能保证每个样本模式为稳定状态，其吸引域在平均意义上达到最大值。     

基于核的动态聚类算法用于机械故障模式分类

针对k均值聚类对特征样本划分存在误分类的问题，提出用基于核的动态聚类算法对风机不同工作状态进行分类识别．实验结果表明，该方法能有效地识别机器运行的异常状态，并能对不同的故障模式进行正确的区分，可应用于机械设备运行状态的动态识别．     

基于动态核聚类分析的水轮机组故障模式识别

根据水轮机组振动故障与振动征兆之间复杂的非线性关系，总结了适用于水轮发电机组振动故障诊断的频谱特征表和振动部位幅值特征表；针对C-均值聚类易产生误分类问题，提出基于动态核聚类分析的水轮机组故障模式分类方法；对振动信号频率、振动信号幅值特征、振动部位进行分析，获得振动频谱征兆隶属度值，在此基础上，建立了基于故障分层的水轮机组运行状态自动诊断模型．工程应用实例表明：该模型的诊断效率是可行的，诊断结果具有较高的可信度．     

基于PCA—SVM模型的切削颤振预报

针对切削加工过程中颤振孕育的动态模式,提出一种基于PcA—SVM模型的颤振预报新方法。建立切削加工振动信号的识别模型,进行FFT变换,再归一化处理,把数据送人PCA—SVM模型,对变换后的切削实验数据进行学习、训练,得到PcA—sVM识别模型;提取切削加工过程的振动信号,送给PcA—sVM模型进行颤振情况分析与识别。试验结果表明,具有较好的颤振预测性,颤振预报正确率达到95．5％以上,提高了运算速度,为颤振预报提供了充足的时间。     

基于用户行为评估的Hadoop云平台动态访问控制

为解决现有Hadoop云平台访问控制缺乏动态性的问题,提出一种基于用户行为评估的Hadoop云平台动态访问控制模型（DACUBA）.该模型采用指令序列学习（CSL）算法从用户指令序列中提取用户行为模式,利用全局模式库对用户行为进行分类并对分类结果进行行为评估,然后将评估值应用于Hadoop云平台的访问控制机制中实现动态访问控制.验证实验结果证明了DACUBA的有效性,与其他方法相比,该方法对云请求的访问控制效率较高,且稳定性较好.      

基于动态神经网络支持向量机的FPGA实现

研究了一种基于动态神经网络支持向量机(SVM)的FPGA硬件实现方法.提出了基于动态神经网络的最小二乘支持向量机(LS-SVM)神经网络结构,完成了VHDL语言描述的基于动态神经网络的LS-SVM结构设计,并在XILINX SPANT3E系列FPGA中完成了LS-SVM的分类与回归实验.结果表明,该硬件实现方法很好地完成了SVM的分类与回归功能,与现有的软件仿真和模拟器件实现相比,该方法具有更快的收敛速度和更高的灵活性.     

基于高斯过程机器学习的冲击地压危险性预测

针对多种复杂影响因素条件下,如何有效预测冲击地压危险性这一类复杂的模式识别问题,提出一种基于高斯过程机器学习的冲击地压危险性预测新模型,通过对少量训练样本的学习,能很好地建立冲击地压危险性与其影响因素的非线性映射关系.算例结果表明,该模型科学可行、容易实现且预测精度高,具有良好的工程应用前景.     

一种基于VFDT算法的同构XML流分类方法

为了对动态XML文档流进行分类,以VFDT算法为核心,提出了一种针对相同结构的XML文档流分类算法,该算法将XML流中文档解析并用来动态地构造分类器。实验表明,该方法在XML流上数分类的精确度能够达到XML文档静态分类的水平。     

基于贝叶斯决策模型的火灾报警模式识别系统应用研究

针对火灾报警系统中探测器在域值附近由于各种原因出现高漏报率和误报率的情况,提出了将探测器的量测判断作为一种模式进行决策分类.在分类过程中采用贝叶斯决策的方法,将报警的模式分类简化为离散情形下的二值分类的研究,同时依据分类平均风险最小的原则给出了分类的决策函数.实验表明本文提出的解决方法在减少火灾报警系统中的误报率和漏报率方面找到了一个新的方法.结论表明探测器临界局部取值采用模式分类的方法可以达到了比较好的效果.     

一种基于主成分分析的稀疏数据模式分类隐私保护算法

 模式分类过程涉及到对原始训练样本的学习,容易导致用户隐私的泄露。为了避免模式分类过程中的隐私泄露,同时又不影响模式分类算法的性能,提出一种基于主成分分析（PCA）的模式分类隐私保护算法。该算法利用PCA 提取原始训练数据的主成分,并将原始训练样本集合转化为主成分的新样本集合,然后利用新样本集合进行分类学习。选用Adult 数据集和KDDCUP 99 数据集进行仿真实验,并采用正确率和召回率进行性能评价,结果表明,该隐私保护算法通过PCA 提取原始数据特征属性的主成分,可避免原始属性的泄露,同时PCA 在一定程度上可实现去噪,从而使分类器的分类性能优于原始数据集的分类性能。与已有算法比较,该隐私保护算法具有更好的模式分类精度和隐私保护性能。