利用决策树方法进行癌细胞识别

机器学习是人工智能的一个重要分支,作为图像处理技术与模式识别方法在细胞学的研究与诊断方面的应用,提出用决策树的方法的识别癌细胞,取得了预期的结果,对于发现各种难以预想的模式,这种方法说明了学习程度可作为复杂数据中的搜索模式的工具。     

提高人口质量的若干思考

人口质量（人口素质）是指在一定生产方式下,一个国家或地区人口群体的身体素质、文化科学素质和思想道德素质的综合体现,即人们通常所说的德、智、体等方面的状况。人口质量反映了人口群体认识和改造世界的条件和能力,并直接影响着社会经济的发展。以分析人口质量与经济发展之间的辩证关系为基础,提出了大力提高人口质量的必要性和所应采取的措施。     

基于人工智能的复杂背景中目标识别方法研究

提出了一种基于人工智能的复杂背景中目标识别新方法，并据此建立了一个将自下而上与自上而下控制策略有机结合的自动目标识别系统．该系统由景像分析器和目标识别器两部分组成．实验结果表明，该方法能有效地利用并组织信息，在复杂背景条件下，无法完整地提取掩没在背景杂波中的目标时，能有效地提取和识别特定目标     

基于灰度匹配的双摄像头智能云台控制系统

针对目前单摄像头监控系统存在智能化程度低、目标图像分辨率低的缺点,提出了双摄像头智能监控系统方案,实现了对动态目标自动识别和跟踪,同时又能监控整个场景的全部情况.提出了利用彩色图像帧间差阈值法提取动态目标,提高了目标提取的完整性并降低了噪声.采用改进的灰度匹配后期补偿算法实现云台的闭环控制,提高了控制精度.     

基于云计算的商业情报采集系统

商业情报采集系统不同于传统的搜索引擎系统,情报具有时效性、针对性等特点,传统搜索引擎中的数据分类和聚类技术不能完全满足商业情报采集过程中对时效性和针对性的特殊需求。提出一种商业情报采集解决方案,在云计算环境中采用贝叶斯分类算法和多种网页去重、提取等算法,实现对互联网数据的实时性抓取、分析、分类、聚类,形成对用户全方位立体化的情报本体,抓取的海量数据采用分布式文件系统存储,采集的情报用基于云的数据库CouchDB存储。     

工业线性指针仪表识别改进方法

为解决工业现场指针式仪表识别工作量繁重,人为误差较大的问题,提出了一种运用透视变换与Hough变换相结合的工业线性指针式仪表识别的方法。通过对采集的图像进行去噪、透视变换后,利用Hough 变换检测仪表指针的图像特征,并以该图像特征模拟出实际指针的偏转角度,利用该角度值计算最终读数,完成对工 业线性指针式仪表的识别工作。该方法在面临工业现场无法良好采集正视图像时,通过一定技术手段准确地识别出工业线性指针式仪表图像的读数。为新形势下,人工智能在工业现场的实际应用提供了一种新思路。     

人工智能与水电站的经济运行

通过对水电站经济运行问题的优化,用面向对象的软件构造,完成约束满足问题CSP(constraintsatisfactionproblem)的推理求解,实现了知识表示、约束传递、智能回溯,并在微机上模拟运行.用面向对象、人工智能的方式解决了水电站机组间负荷动态调度的问题,编制了全数字仿真自动发电控制系统平台.     

基于群智能的电子学习资源过滤及收敛性分析

运用基于信息素挥发因子自适应变化的蚁群算法来优化电子学习资源的组织顺序,体现群体智能在资源共享和过滤中的优势作用,并且在此基础上运用教学实例实验研究将群体智能技术应用于解决电子学习资源过滤时的收敛性问题。实验结果表明利用群体智能来组织资源可以找到和领域专家干预基本相同的解决方案,同时学生参与数不需要很多即可获得好的收敛性。     

复杂工业过程智能协调控制系统的设计与应用

针对复杂工业过程系统的特点,提出一套智能协调控制方案:以管理信息系统局域网为基础,将人工智能、专家系统、模糊神经网络控制各自的优势综合在一起,构成一个智能协调控制系统,用于对复杂工业过程实现管控一体化,为复杂工业过程的控制提出一条有效途径。经仿真和控制实验结果表明,控制性能令人满意。     

基于改进自监督学习群体智能(ISLCI)的高性能聚类算法

针对现有数据聚类算法（如 K －means）易陷入局部最优和聚类质量不佳的问题,提出一种结合改进自监督学习群体智能（improved self supervised learning collection intelligence,ISLCI）和 K 均值（K －means）的高性能聚类算法。已有的自监督学习群体智能演化方案具有计算效率和聚类质量高的优点,但当应用于数据聚类时,收敛速度较慢且极易陷入局部最优。为 ISLCI 加入突变操作,增加其样本多样性来降低早熟的概率,提高最优解的求解质量;计算每个样本的行为方程,获得其行为结果;通过轮盘赌方案来选择群体智能学习的对象和群体中其他样本学习目标对象的属性来提高自己。同时,利用 K-means 操作提高其收敛速度,提高算法计算效率。对比试验结果表明,本算法具有收敛速度快、聚类质量高、不易陷入局部最优的特点。