判断的定性映射模型与非线性模式分类（I）

基于事物属性量-质特征转化关系的简单性质判断可归结为一个定性映射τp(x，cp)，(判断元素x是否属于集合S的)特征函数、单(或多)指标性质判断和单(或多)特征向量判断(或检索)，可分别归结为以一般集合S、区间(αi，βi)、区间向量、区间矩阵、向量和矩阵为定性基准cp的定性映射．     

定性映射诱导的模糊程度函数与神经元

属性的量-质特征转化关系可归结为一个定性映射(QualitativeMapping,QM),利用定性基准[αi,βi]=N(ξi,δi)或x∈[αi,βi] |x-ξi|≤δi,若将pi(ξi)定义为质特征类pi(o)=[pi(x)|x∈N(ξi,δi)]的本征性质,借助于|x-ξi|能表示pi(x)与pi(ξi)间差异,从而能反映pi(x)体现其质特征类pi(o)本质的程度的功能.提出了程度函数ηi(x)及其核|x-ξi|<δi的概念.并指出,由核|x-ξi|≤δi诱导的程度函数中,至少有一类会导致其定性基准[αi,βi]的边界变成模糊的.而m维加权程度函数ηi(x)诱导出一个模糊神经元和网络.还以XOR问题和双螺旋问题为例,给出了利用定性映射函数进行非线性模式识别和分类的方法.     

统计模式识别的研究

模式识别的基本目标就是在有监督和无监督的情况下进行分类,在模式识别的各种模型中,基于统计的方法已经被广泛的研究并应用于实际.一些新的技术和方法的引入（神经网络和支持向量机方法）也促进了该领域发展,文章研究了基于统计的模式识别的进展情况,给出了模式识别的概念、原理、方法并对各种方法进行了相关的评述.     

定性映射诱导的模糊集

从属性量-质特征转化的定性映射模型导出了一个模糊集，给出一个模糊集的表达式，为模糊集产生的哲学和认识论根源提供一个基于量-质转化规律及其定性映射的解释途径。     

基于统计空间映射的自学习模式识别方法

针对生产工况实测数据不能覆盖整个数据空间的现象，提出了一种基于统计空间映射的自学习模式识别方法．通过实测数据的仿真实验验证了该方法的有效性．     

基于多元统计分析的触觉图象模式识别

在触觉图象的统计描述特征量基础上，提出了用多元统计分析中得判别分析，对常用的特征量进行了选择，使判别更为有效，并给出了实用的判别方程，借此可以提高判别的正确率，也可解决圆和六角形易误判的问题。     

基于SVM的融合双特征信息的模式识别方法

分析了现有的多特征数据融合方法.针对双特征信息融合问题,建立了新的数学模型,提出了融合基本原理,给出了基于大间隔分类器设计技术的支持向量机融合方法.简单实例说明了算法的有效性.     

基于向量模糊模式识别的纹理图像分割方法

提出了一种基于同步自回归（ＳＡＲ）模型和模糊信息原理进行纹理分割的方法,利用二阶ＳＡＲ模型对图像纹理进行描述,用最小平方方法对模型参数进行估计,将估计的参数作为纹理的特征向量,根据模糊信息原理,分析了纹理图像提模糊特性,给出了一种基于向量模糊集合簇模糊模式识别的纹理分割方法,实验结果表明,用所提出的方法进行图像是分割取得了了分割效果。     

基于支持向量机的模式识别方法

介绍了由Vapnik等人提出的统计学习理论和由此发展的支持向量机，分析了其应用前景和研究方向，两个算例表明，在模式识别领域中，采用支持向量机这一新方法，具有其他传统方法不可比拟的优势。     

判断的定性映射模型与非线性模式分类(Ⅰ)

基于事物属性量—质特征转化关系的简单性质判断可归结为一个定性映射τp(x,cp),(判断元素x是否属于集合S的)特征函数、单(或多)指标性质判断和单(或多)特征向量判断(或检索),可分别归结为以一般集合S、区间(αi,βi)、区间向量、区间矩阵、向量和矩阵为定性基准cp的定性映射.     

一种基于模式识别的刀具磨损监测方法

将刀具磨损状态的在线监测作为模式识别中的两类模式分类问题,从切削振动信号中抽取特征向量;根据投影原理构造了最佳特征平面.在此基础上提出了一种具有自学习功能的G(D)判别函数,对车削试验的磨损状态进行分类,确诊率达95％,漏诊率小于0.6％,判别时间少于15s,适用于在线监测。     

采矿工程中的模糊数学方法(Ⅱ)——逻辑特征判别与模式识别

本文首先介绍模糊逻辑特征判别分析,它是研究对象特征尚未被认识清楚条件下,利用观测数据来推断对象的自然语言表述形式的方法;其次介绍了模糊模式识别的直接法和间接法,讨论了多因素模糊模式识别及概率模式的建立等问题;最后给出了一个模式识别在采矿工程中应用的实例.     

基于统计空间映射的模式识别及在线质量推断

采用回归分析的方法，建立特征变量与产品质量之间的统计对应关系，把产品质量表达成特征变量的回归函数，进而得到特征空间与产品质量空间在统计意义上的映射关系，在产品质量空间进行聚类，在特征空间进行分类，而后提出了一种基于统计空间映射的在线模式识别方法。利用唐钢烧结厂的实测数据进行了仿真，验证了本方法的正确性。从算法分析和仿真结果看，这一算法可以有效地克服模式交叉现象的影响，并可对复杂生产过程进行在线质量推断。     

从属性量检测到质特征定性的感觉特征抽取模型

提出了将感觉信息处理建立在属性操作研究上的基本观点,给出了属性量－质转化规律的定性映射模型（QM）,和QM与人工神经元的TLU（Threshold Logic Unit)模型的等价性定理,根据感觉简单细胞和皮层神经元能对其敏感属性 a(x)的量da(x)及相应质特征pd(x),分别作出反应（或检测）和定性抽取的实验事实,提出了一个从量检测到质特一性的感觉特征抽取模型。     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

基于均匀设计的特征选择方法

针对模式识别系统中有效特征的选择问题,采用支持向量机作为分类器,提出了基于均匀设计的特征选择方法．根据均匀设计表的结构及采用的数据集进行训练、测试,最后检验所选的特征子集．实验结果表明,该方法能够有效地去除数据集的冗余特征,取得比使用特征全集更好的分类性能．     

基于自组织映射网络的模式分类器对储产层自动分类方法研究

文章提出了一种储产层识别及预测方法，该方法利用了神经网络中的自组织特征映射网络，它是由无人管理训练而得到的。当该网络被用作储产层的模式分类器时，它需要进行有导师指导的训练，这个模型就变为储产层的模式分类器。     

一种基于矢量变换的局部二值化模式分类方法

局部二值化模式(LBP)在计算机图像识别中应用非常广泛,它是一种局部区域灰度函数二值化矢量的分类统计特征,其性能高度依赖于对基本矢量的分类。现有的分类方法有两种:一是最原始的分类方法,二是基于跳变次数的分类方法。前者分类类别严重不平衡,后者忽略了高次跳变的信息。基此提出了一种基于任意矢量变换的局部二值化模式分类方法(LVP),该方法既保留了高次跳变模式信息,又实现了分类类别的平衡。为验证该方法适用性,将LVP与原有的LBP分类模式在INRIA行人、遥感图像车辆和遥感图像飞机三种数据库上进行检测准确度比对,发现使用混合块长度和不同重叠比的LVP具有较高的准确率。在行人数据库中,LVP相对256类LBP使用混合块逻辑或运算的方法,识别正确率提升了2.03%,达到98.93%;在车辆数据库中,用该方法使正确率提高了3.70%,达到94.15%;在飞机数据库中,用该方法使正确率提高了4.65%,达到94.10%。     

对矩阵值函数的Nevanlinna-Pick问题与幂矩量问题(Ⅱ)

继续作者最近得到的ＮＰ问题（在Ｎ＾Ｐ类或ψ＾Ｐ类）与幂矩量问题的内在对应的研究成果,主要考虑这２个问题的解的具体描述。     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.