可拓神经网络在可拓专家系统中的研究与应用

将可拓学理论、人工神经网络和专家系统技术有效地组合与集成,建立了基于可拓分析与神经网络的空中目标识别专家系统,并将其应用于防空作战指挥信息系统空中目标识别。着重阐述了基于物元的知识表示方法以及空中目标识别专家系统的设计思路、总体结构和工作原理。     

基于空间模糊化表示的图形相似性测度

根据人的视觉感知的模糊性,提出了一种新的图形相似性测度的计算方法。首先将图形在空间上进行模糊化处理,将一个确定的图形模糊化为二维平面上的一个模糊子集,将两个图形间的相似性测度问题转化为图形元素在图形模糊集中的隶属度问题,从而可以定量地表示相似性的程度。最后给出了用模糊相似性测度实现图像检索的例子。实验表明,该测度算法的结果和人的主观感受是基本一致的。     

高分辨雷达-维距离像稀疏表示技术

高分辨雷达回波信号处理和特征提取技术受到广泛的关注.针对雷达目标几何绕射参数化模型,采用稀疏成份分析方法研究了高分辨距离像的超分辨重构和特征提取问题,分析了正则化函数的指标参数对信号重构性能和计算复杂性的影响,在此基础上提出了一种具有稀疏表示能力的正则化函数,实现了目标散射中心的有效分离.数值结果也验证了该方法的合理性和有效性.     

解旅行商问题的混沌蚁群算法

利用混沌运动的遍历性、随机性和规律性等特点,提出了一种求解旅行商问题的混沌蚁群(CACO)算法.该算法的思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.与模拟退火算法、标准遗传算法进行比较,仿真结果表明该方法是一种简单有效的算法.     

一种运用显著性检测的行为识别方法

针对传统稠密轨迹行为识别法不能很好地区分行为区域和背景的问题,提出一种运用显著性检测的行为识别方法。考虑到视频显著性在较小的时空范围内变化不大,将视频在时域分割为多个短子视频,并将子视频在空域划分成小块,再以块为基础运用一种两阶段显著性检测方法获取每个子视频的行为区域。在检测的第一阶段,将低秩矩阵恢复算法应用于子视频的运动信息计算其初始显著性,并据此将其内所有块划分为候选前景集合和绝对背景集合;在第二阶段,为了将真正的行为区域从候选前景集合中分离出来,利用绝对背景集合中块的运动信息构建字典,通过加权稀疏表示算法计算候选前景集合中每个块的细化显著性,再通过阈值化获取二值显著图用以指示行为区域;最后,将显著图融入稠密跟踪过程以获取行为区域轨迹用于行为识别。基准数据集上的实验结果表明,该方法能够较好地检测视频中的行为区域,获得的识别率高于传统稠密轨迹法2.5%~4.5%。     

用于AIS实时信号稀疏表示的追踪算法研究

为解决非周期船舶自动识别系统(AIS)信号的载波跟踪问题,利用信号稀疏表示方法对AIS实时信号进行重构,以获得AIS信号的信道信息,从而为实现定位信息的测量打下基础.从AIS信号特点和AIS实时信号处理的要求出发,对基于K-SVD算法所构造的自适应冗余字典,从信号处理时间、稀疏表示精度、误码率和受噪声的影响几方面对比了基追踪(BP)和正交匹配追踪(OMP)两种不同的追踪算法.实验结果表明,两种算法都能有效精确地重构AIS信号,BP算法相比OMP算法具有更好的稀疏表示精度和误码率,但是信号处理时间会更长.由于AIS对实时性的高要求,OMP算法更适合用于AIS自主定位系统.     

基于卷积图神经网络的多粒度表示学习框架

卷积图神经网络（Convolutional Graph Neural Network,ConvGNN）以其强大的表达能力被广泛应用于社交网络、生物网络等领域的网络表示学习中，多粒度网络表示学习已被证明能够改善已有网络嵌入方法的性能，但目前尚缺乏以改善ConvGNN性能为目标的框架.针对此问题，提出一种基于ConvGNN的多粒度网络表示学习框架M-NRL，分为四个模块：粒化模块、训练模块、推理模块和融合模块.粒化模块构造从细到粗的多粒度网络并保留不同粒度节点的属性和标签信息，训练模块在最粗粒度的网络上以端到端的方法训练任意一种ConvGNN并优化其模型参数，推理模块使用优化后的ConvGNN推理出不同粒度网络的节点表示，融合模块采用注意力权重聚合不同粒度的节点表示以产生最终的节点表示.在四个公开引文网络数据集上进行的半监督节点分类任务验证了M-NRL的有效性，实验结果表明，MNRL不仅能加速现有ConvGNN的训练，还可以增强其最终的表示质量.     

论文写作技巧——计量单位和符号

1．文中涉及的量和单位应按《中华人民共和国法定计量单位》规定执行，并用规定缩写符号表示。 2．每一个组合单位符号中，斜线不得多于1条，如每天每千克体重用药剂量应写成mg／（kg．d）。     

四则运算学习指南

一、知识梳理1.加、减、乘、除法的意义和各部分关系。(1)加法。意义:把两个数合并成一个数的运算。各部分关系:和=加数+加数,加数=和-另一个加数。(2)减法。意义:已知两个加数的和与其中一个加数,求另一个加数的运算。各部分关系:差=被减数-减数,减数=被减数-差,被减数=减数+差。(3)乘法。意义:求几个相同加数的和的简便运算。各部分关系:积=因数×因数,因数=积÷另一个因数。     

基于非对称逆布局模型的几何矩计算方法

以提高低阶矩的计算速度和精度为目标,以传统的图像表示方法和基于分层结构的图像表示方法为研究对象,提出了一种基于非对称逆布局模型和坐标编码程序(NAMCEP)的快速精确几何矩计算方法.给出了基于NAMCEP表示的精确矩计算的一个重要定理.以图像处理领域里惯用的Lena,Goldhill,F16和Peppers二值图像作为典型测试图像,并与流行的基于线性二元树(LBT)表示的矩计算方法进行比较,结果表明:基于NAMCEP表示的矩计算方法精确矩计算时间比LBT平均节省68.75%,能够有效地用于推导平移、伸缩和旋转不变量方面.