基于逆向学习改进算法的汽车边缘提取

根据智能交通系统中车型识别的特点提出了使用逆向学习改进算法提取汽车边缘的新方法，这种方法的优点在于可以充分利用车型识别系统的特点和汽车历史轨迹的先验知识得到较好的提取精度，并有效地解决了车型识别中，因使用黑白图象而使基于色彩的汽车边缘提取失效的问题。     

n次积分C-半群的表示定理

利用指数有界的n次积分C-半群的基本性质，用两种不同的方法证明了它的指数公式。     

修正的S.N.Bernstein型三角插值多项式的逼近

构造了一个三角多项式算子Hn(f；r，x)(r为自然数)，使其对每一个以2π为周期的连续函数都能在全实轴上一致收敛，并给出了最佳收敛阶的估计．     

基于距离空间的遗传算法分析

通过对简单遗传算法的分析，发现每次执行复制、杂交、变异等操作均相当于对所作用的个体进行一次线性变换，这样，从函数的角度来看，引入非线性变换的遗传算子将是一个有待研究的问题，因而提出了非线性遗传算法。通过对二进制遗传算法的Hamming距离的扩充，引入了一种几何模型-距离空间，并在该空间上对杂交、变异等算子进行了系统的分析。根据分析结果，指出了改进遗传算法的途径，并提出一种改进的二进制非线性遗传算法，仿真实例证明了其有效性。以上分析从几何意义出发，提出了一种全新的分析遗传算子的方法，对遗传算法理论的完善与发展具有重要意义。     

浅析广义积分∫a^＋∞f（x）dx收敛的必要条件

广义积分收敛的必要条件具体地说为：若函数f(x)在[a，b]上黎曼可积，则f(x)在[a，b]上有界且几乎处处连续，而当f(x)的无限广义积分收敛时，则f(x)在其广义积分收敛的区域内几乎处处连续但不一定有界。若无穷级数收敛，则其一般项必收敛于0，而当f(x)的无限广义积分收敛时，f(x)却不一定收敛于0(当x趋于无穷大时)，要使f(x)收敛于0(x→∞)，还需附加一定的条件。     

用于多指数拟合的一种混沌免疫粒子群优化

为了更好地逼近真实物理场景,对传统的多指数模型作了一些改进,将权因子设置为噪声方差平方的倒数,提出一种基于循环矩阵(CM)的算法用于估计衰减项数.为了求解上述改进模型,提出一种混沌免疫粒子群优化(CIPSO)算法.该算法将人工免疫系统中的克隆、交叉、变异和接收器修正算法嵌入粒子群算法中,并采用混沌算子实现变异,然后将惯性因子改为自适应变化.实验表明:提出的权因子设置更符合实际;用于估计项数的CM算法在估计精度与运行时间上均优于传统的ILS算法;CIPSO算法在收敛精度与运行时间上也优于传统的优化算法,如可信域法、LM法、高斯-牛顿法、差分进化算法和粒子群算法等.     

一类非线性算子方程解的性质

本文在抽象连续函数空间中用迭代方程研究了一类非线性算子方程ｘ＝Ａ（ｘ,ｘ）解的存在唯一性及其它性质,推广并改进了若干已知结果。     

一种求解代数方程组的混合遗传算法及工程应用

针对用遗传算法求解代数方程组时解的精度问题，提出了一种混合遗传算法，这种算法采用实数编码方法，在遗传算法的基础上，引入一种用适应度函数值构成动态变化的搜索步长的随机搜索算子，当遗传算法求解达到某一精度时，应用该搜索算子在最优个体附近进行随机搜索，使算法解较快地逼近到所要求的精度，实验表明用这种算法求解代数方程组，可以达到较高的求解精度，在工程中用于求解关节型机器人速度逆解，避免了矩阵求逆，取得了满意的效果。     

叙列空间上的K级有界变差函数

本文是在有研究结果的继续，讨论了叙列空间上Ｋ级强有界变差函数，Ｋ级有界变差函数、Ｋ级弱有界变差函数的关系和性质，从而进一步推广了「３」中的有关结论     

一类非线性算子具混合误差项的Ishikawa迭代序列的强收敛定理

使用新的分析技巧，研究了Banach空间中强增生算子方程解的具有混合误差项的Ishikawa迭代序列的收敛性问题，改进和扩展了近期的许多相关结果。