用面向对象程序设计神经网络的算法类库

依据面向对象的程序（ＯＯＰ）设计的优越性,用Ｃ＋＋语言,针对神经网络ＢＰ算法和ＧＡ算法,编写了神经网络及其算法类库：目的是为神经网络学习算法的发展和深入及其应用于工程提供方便和有利工具．且给出利用该类库实现的非线性系统辨识结果     

基于学习进化的机器人同时定位与地图创建

利用学习与进化结合的思想,改善基于粒子滤波的SLAM算法。在对学习与进化的关系深入分析的基础上,针对基于粒子滤波的SLAM算法,提出将滤波过程分成学习和进化两个阶段,分别给出相应算法解决粒子有效性与多样性的问题,缓解二者之间的矛盾,改善了SLAM算法的效果,增强了算法的鲁棒性,也验证了学习与进化的关系。最后,通过多次Monte-Carlo仿真实验结果表明了该算法的有效性。     

基于二维混合模型的鲁棒迭代学习控制设计

针对一类正则线性不确定系统,提出一种基于连续/离散二维混合模型的迭代学习控制设计方法。首先,通过独立地考虑迭代学习控制系统连续的控制行为与离散的学习行为,建立迭代学习控制系统的连续/离散二维混合模型,将迭代学习控制器设计问题转化为一类连续/离散二维系统的状态反馈控制问题。然后应用二维连续/离散系统方法,获得迭代学习控制系统稳定性条件。最后根据稳定性条件,利用线性矩阵不等式方法,求得迭代学习控制器参数,它通过Matlab工具箱可以方便的获得。与现有方法相比,所提出的迭代学习控制器利用了输出误差以及状态变化的信息来修正当前的控制,因而设计方法更加符合其本质特征,具有简单实用、直观明了的特点。数值仿真实例验证了所提方法的有效性。     

基于级联网络和图搜索的轨迹模式学习算法

提出了一种基于级联竞争神经网络和有向无环图搜索的运动目标轨迹分布模式提取算法。采用级联竞争神经网络提取不同时序处流矢量的分布,根据轨迹点之间的时序转移关系构造有向无环图,通过深度优先搜索来获取轨迹分布的显式表示,并在此基础上给出了一种基于轨迹点对齐的异常轨迹检测方法。构造的级联网络自动隐含了轨迹点的时序关系,可以处理不同长度轨迹模式的学习问题。不同场景的仿真实验表明此方法可以应用于复杂场景下的目标异常行为检测。     

基于动态贝叶斯网的时变样本空间无监督学习

提出了针对概率分布参数时变的样本空间的参数估计问题,由于一般的聚类和EM算法等参数估计方法是针对概率分布时不变的样本空间的问题所采用的。因此,对于概率分布时变的样本空间而言,这些方法均不能有效、准确地估计实时变化的样本参数。通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的样本空间概率模型变化演进的规律,这样可以较准确、平滑地学习实时概率模型及其分布参数。     

考虑恶化和学习效应的单机成组排序问题

讨论了工件加工时间同时具有恶化和学习效应的单机成组排序问题。在这类问题中,同一组中的工件不允许分开加工,各组之间有安装时间,其中安装时间是工件组开始加工时间的简单线性函数,各组内工件的实际加工时间是关于恶化和学习效应的函数。对目标函数为最大完工时间和总完工时间两类问题分别给出了多项式时间最优算法。     

基于Gamma-SLC混合密度估计的雷达目标识别

通过分析高分辨距离像(HRRP)的统计特性,提出一种Gamma模型与基于累积量的随机学习算法(SLC)相结合,估计HRRP概率密度的新方法:Gamma-SLC方法。该方法具有Gamma分布针对性强,估计准确与SLC适应性强的优点,同时回避了二者的缺点。另外,借鉴最大熵原则的非高斯性测度,设计了一个新的评价概率密度估计效果的准则。基于外场实测数据的实验证明了Gamma-SLC方法的有效性。     

地面站数传系统的RBFNN模型及算法

针对难以建立精确数学模型的地面站数传系统,提出改进梯度迭代学习的径向基神经网络建模方法。改进梯度学习算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;改进迭代过程中网络参数的梯度信息计算方式,加快了迭代收敛速度;并增加结构调整过程,实现对网络规模的精简。通过采集地面站数传系统输入-输出数据,将改进梯度学习算法应用于网络离线训练,并给出具体实现步骤。地面站数传资源配置优化实例验证了模型具有较高泛化能力,且算法稳定性较佳。     

基于遗传算法和种子概念的本体概念提取算法

本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体(半)自动构建的一项技术。通过研究中文本体学习这一领域存在的问题,提出了基于遗传算法和种子概念的本体概念提取算法。介绍了当前基于非结构化数据源的本体概念主要提取算法,在遗传算法和种子概念的基础上,设计了一种基于非结构化数据源的本体概念提取算法。实验证明,本算法在特定领域本体学习方面取得了良好的效果。     

自适应脉冲耦合神经网络在图像处理中应用

尽管Johnson 提出的PCNN模型具有强大的图像处理功能,以时间序列进行特征提取时具有旋转、尺度、平移、扭曲不变性,可实践中发现依然存在着不足,特别对图像亮度、对比度比较敏感.添加了误差反向传播(Error Back Propagation, EBP)学习准则的自适应脉冲耦合神经网络模型能自适应设定模型参数,是脉冲耦合神经网络模型研究的主要内容.特别地,应用这种自适应模型进行特征提取时,能弥补原来PCNN模型对亮度、对比度敏感的缺陷,而且具有一定的泛化能力,有效克服了亮度、对比度对图像识别精度的影响.