L—统计量的非一致性收敛速度

本文研究了高阶矩条件下L—统计量的非一致性收敛速度,得到了与独立和类似的收敛速度。     

神经网络中误差反传算法的分析与改进

分析了ＢＰ网络存在的主要问题及其产生原因,提出了改进算法ＢＰＧ,以共轭梯度方向代替梯度方向进行搜索,并在学习过程中采用不精确的一维搜索、限幅和条件轮回等措施．计算机仿真结果表明：改进的ＢＰＧ算法优于原ＢＰ算法．     

基于最小矩阵距离准则的一种群体决策方法

在分析了基于层次分析法的群体决策方法的类型、评价准则后,提出了一种基于最小矩阵距离准则的群体决策方法。该方法应用一个矩阵空间上的距离公式,将求群体判断矩阵的问题看成为求与各个体判断矩阵的距离之和为最小的矩阵的问题,然后又进一步等价为目标规划问题。该方法比较直观可信,因而容易说服各评判者接受由该方法得到的群体判断矩阵。     

形状误差的动态评定：逐次逼近规划方法的应用

本文讨论形状误差最小包容区域的判别方法。根据逐次逼近规则评定理论,将传统的静态评定方法发展为动态评定方法,给出形状误差最小条件的统一判别准则和计算设计方法。并以直线度误差评定为例,较为详细地介绍了欠逼近规划方法在形状误差中的应用,从而实现计算机的智能判别和仲裁。     

由L.逐项积分定理所诱发的思考

本文将Lebesgue积分理论中的非负可测函数项级数逐项积分定理,推到一类特殊的一般可测函数项级数上。     

从另一个角度看AICC准则

基于另一种观点,本文对线性回归模型和自回归时间序列模型分别推导出ＡＩＣＣ和ＡＩＣＣ＾＊选阶准则,同时对ＡＩＣＣ准则在大样本情况选阶缺乏准确率的原因给予理论解释。统计模拟结果进一步证实了本文的论点。     

酉变换与量子系统超收敛微扰的简化推导

如同无限小正则变换服从正则方程一样,经无限小酉变换后的态矢量服从以生成元为哈密顿量,以小参数为“时间”的薛定谔方程,直接用酉变换给出量子系统超收敛微扰的简化推导。     

用进化规划思想优化径向基函数神经网络结构的均衡器

针对训练径向基函数(RBF)神经网络均衡器的随机梯度算法(SG)中,神经网络的结构是指定的并且所用训练样本较长的问题,引入进化规划思想,用进化规划方法确定径向基函数神经网络的结构,用基于最小均方(LMS)误差准则的自适应算法调整神经元到输出端的连接权重.蒙特卡洛仿真表明,用这种方法确定的均衡器可以达到与SG算法相同的性能,而所用训练样本很少,网络结构不需要事先指定.     

一种新的求解变分不等式问题的外梯度投影算法

给出了一种新的求解变分不等式问题的外梯度投影算法．在较弱的条件下证明了算法的全局收敛性，并分析了算法的线性收敛速度。     

基于 Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.