Г—正则半群上的同余

关于正则半群的同余的刻划的最好结果推广到Г－正则半群上，实现了Г－正则半群的同余刻划。     

基于物元与或网的可拓推理

本文给出了基于物元与或网的启发式可拓搜索算法、可拓关系继承推理、相关记忆可拓继承（联想）推理，丰富了机器学习的创造性的推理内容。     

Hammerstein OEMA系统的辅助模型最小二乘辨识

针对Hammerstein 输出误差自回归(OEMA)模型, 将关键变量分离原理与辅助模型辨识思想相结合,提出了基于关键变量分离的辅助模型递推增广最小二乘辨识方法.该方法能获得系统参数估计和噪声参数估计,且能实现在线辨识.     

泛函微分系统依照两个测度的稳定性

运用变分Lyapunov方法,研究了泛函微分系统依照两个测度的稳定性。首先,给出了关于微分系统的一个Razumikhin型比较定理。进一步,得到一个变分比较定理。根据此结果,在未扰动系统为常微分系统的情形下,建立了关于泛函微分系统依照两个测度稳定性的判定定理,推广并改进了已有结果。     

几类广义正则半群概念间的联系

本文从各类广义正则的概念着手,严格刻划了这些半群概念间的范围,举出了一系列反例,进而得到了精确的范围关系图。     

最大间距准则框架下的多流形局部图嵌入(MLGE/MMC)算法

主要针对局部图嵌入(Locally Graph Embedding,LGE)算法在训练样本偏少时进行特征提取,会产生识别精度不高情况,通过引入多流形思想,结合LGE和最大间距准则(Maximum Marginal Criterion,MMC)算法,提出了一种最新的特征提取算法——最大间距准则框架下的多流形局部图嵌入(Multi-Manifold Locally Graph Embedding Based on Maximum Marginal Criterion,MLGE/MMC)算法.首先,该算法将每幅图像分成多幅小图像,这一幅图像分成的这些小图像在高维空间中就构成一个流形,以此类推,多幅图像就构成了多流形;其次,通过最大化多流形类间距离,同时最小化流形类内距离来寻找最佳投影矩阵,即分别构建多流形类间散度矩阵和类内散度矩阵;最后,在MMC准则框架下构造目标函数,通过拉格朗日乘子法和迭代来解决约束条件下的优化问题.在ORL,Yale及AR人脸库上的实验,验证了所提算法的有效性.     

Γ-正则半群上的同余

关于正则半群的同余的刻划的最好结果推广到Γ－正则半群上，实现了Γ－正则半群的同余刻划