基于高斯混合模型的EM学习算法

本文研究了一类基于无监督聚类学习的算法——EM算法的算法实现．EM算法通常用于存在隐含变量时的聚类学习，由于引入了隐含变量，导致算法难以保证收敛和达到极优值．本文通过将该算法应用于高斯混合模型的学习，引入重叠度分析的方法改进EM算法的约束条件，从而能够确保EM算法的正确学习．     

Hopfield神经网络系统中的若干动力特性指标分析

本的主要目的是对Hopfield神经网络系统（HNNS）给出了一种称为双向对称型的感知机学习算法（简称NIS学习算法），并对该算法的动力特性指标进行模拟计算分析，在大量模拟基础上，得到了该学习算法的容量，平均假吸引点等特性指标的统计特性数据，从这些分析结果可以说明，NIS学习 算法较HNNS的“联想记忆学习算法”等有关算法有更好的动力特性。     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

神经网络自调节变尺度算法及其用于聚酯生产工况预测

探讨了多层前向神经网络的学习算法，并将该算法用于大型聚酯生产工况预测。结合非线性最优化方法，提出了一种基于拟牛顿法的神经元网络自调节变尺度学习算法，仿真结果表明，该算法有效地改进了神经元网络学习收敛速度和收敛性能。     

神经网络学习算法中的奇点及振荡算法

以前向神经网络为基础，基于梯度下降规则，推导了ＯＩＮＮ的学习算法，说明由梯度下降规则推导出的学习算法中存在奇点。奇点经常导致学习陷入“伪局部极小”，大大影响了学习进程，奇点产生的原因是对节点特性函数的求导，对节点特性函数的修改可使算法避免奇点，提出了一种振荡算法可有效地克服局部极小。     

应用集成理论的非监督哈希学习

针对以往算法在学习哈希函数过程引入随机性，导致得到的哈希码存在很大的差异性。该文以集成学习理论和并行计算方法为支撑，提出了一种非监督集成哈希学习 (UEH)算法。首先，对于一些经典哈希算法，例如SKLSH和ITQ，并不能获得唯一的汉明排序，因为在不同时刻学习得到的哈希函数并不唯一，亦即存在差异性；然后，运用集成学习算法去平衡哈希码之间的差异性，达到减少量化误差的效果；特别地，当基学习器满足高精度和较大差异性条件时，集成性能越高，因此，我们采用自举法，通过随机产生多组训练子集来增大差异性，从而进一步提高算法的泛化能力。在图像库CIFAR10和MINIST上，运用该文算法进行图像检索，实验结果表明，该文算法的性能高于其他相关算法6%~15%。     

一种新的基于梯度动力学的协同神经网络学习算法

在研究协同神经网络梯度动力学过程的基础上，针对学习过程收敛速度缓慢的缺点，介绍了一种改进的基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响，简化了初始伴随向量的选取；并引入最优化理论，将该问题归结为求解非线性最优化问题，提出了适时地用共轭梯度法代替梯度下降法的算法，加快了学习过程的收敛。通过对标准人脸图像库的图像识别实验表明该算法较之其他学习算法有较高的识别率，并能较快地收敛到极小值。     

基于案例推理中特征权重自动学习方法研究

讨论基于案例推理中特征权重的自动学习方法．通过分析现有的一种利用粗糙集理论进行权重自动学习的算法，指出了该算法中存在的一些问题，最后提出了一种改进的权重自动学习算法，并通过实例对两种算法进行了比较．     

基于主动学习的资源优化分配研究

本文从实际应用的角度阐述分析了主动学习算法在资源优化分配中的应用问题，文章首先分析了主动学习的发展以及主要应用问题。在此基础上，文章以学生分班为例阐述了主动学习算法的应用问题，重点对基于主动学习的分班算法的实现进行了阐述研究。     

变因子自学习方案在机械手中的应用

介绍了一种新型自学习控制方法在机器人中的应用，它采用了变学习因子的方案，用模糊的思想选取学习因子，该算法已在直接驱动机器人上进行实验，并解决了一般学习算法在高速运动情况下由于加、减速而带来的系统振荡问题；该算法还具有学习收敛快，鲁棒性好的优点。     

高维小采样数据集的贝叶斯网络结构学习算法

现有的贝叶斯网络结构学习算法都需要对高维数据项集进行大量地计算，极大地影响了算法的可靠性、健壮性以及精确度，同时高维计算也耗费了大量时间，为了解决这个问题，提出基于特征选择技术贪婪贝叶斯网络结构学习算法。理论分析表明，本算法在效率上优于现有算法,实验结果也表明，对于高维相对小采样数据集，本算法在精度上也优于大多数算法。     

一种新的迭代学习控制快速算法

对一类连续系统的迭代学习控制问题进行了讨论，提出了一种新的迭代学习控制算法，该算法与目前的算法具有完全不同的形式，数值仿真结果表明了新算法的有效性与优越性。     

一种多视角人脸姿态估计算法

基于独立子空间分析(ISA)技术，提出了一种多视角人脸姿态估计算法。给出了ISA视角子空间分析公式和有效的多视角子空间有监督学习算法。基于有监督学习的多视角人脸模型子空间学习算法，能够实现比无监督ISA学习算法得到更高的姿态估计精度。     

一种用于MIMD平台的并行遗传／神经网络混合学习算法

本文提出了一种用于多层前馈神经网络训练的新算法，它把遗传算法与自适应变形梯度学习算法集成起来。这种并行混合学习算法已经在ＭＩＭＤ平台实现了。通过把该算法用于二个图像识别领域例子，对它的性能进行了评估，本文学显示了所 拼行混合神经网络学习算法的良好的收敛性。     

神经网络应用于烧结矿质量在线推断

针对烧结过程生产实际，运用神经网络中的ＢＰ学习算法设计了分类器，用于在线推断烧结矿的质量，为了加快ＢＰ学习算法的收敛速度，采用了自适应变步长学习算法，实验结果表明，由此建立的烧结过程神经网络质量预报模型，预报正确率高，具有很好的泛化能力。     

基于改进神经网络的实际方案优选系统

构造了一类新的高效分段活化函数，很好地解决ＢＰ算法学习收敛速度慢的问题，并提出了一种自适应调整网络参数的新算法，从而大大提高了算法的学习效率和综合性能。     

基于学习的GSAT算法

在GSAT算法的基础上，引进学习的概念，设计了一种新的SAT求解算法，用若干DIMAC的测试实例进行了仿真实验研究，比较了基于学习的GSAT算法与著名的Random Walk GSAT算法，结果表明两种算法对于随机SAT的实例比较有效，但对于Real-World SAT的实例性能较差。     

强化学习主要算法的研究

介绍了强化学习模型，分别提出了7个主要的强化学习算法并讨论了它们之间的区别和联系，最后指出了强化学习算法中有待解决的问题．     

一种新的支持向量机增量学习算法

提出一种新的支持向量机增量学习算法。分析了新样本加入训练集后，支持向量集的变化情况。基于分析结论提出新的学习算法。算法舍弃对最终结论无用的样本，使得学习对象的知识到了积累。实验结果表明本算法在保证分类准确度的同时，在增量学习问题上比传统的支持向量机有效。     

一种改进BP算法在机械手逆运动学中的应用

通过对传统BP算法的分析，提出了一种改进激励函数的学习方法，并且在神经网络的每一层采用不同的学习速率，以提高训练速度；采用所提出的改进BP算法，训练多层前向神经网络，建立机械手逆运动学模型，仿真结果表明了该算法的有效性；与传统BP算法相比，大大提高了机械手逆运动学的精度。