一种基于样本块的图像超分辨率方法研究

提出了一种在马尔科夫网络框架下基于样本块的图像超分辨率算法。算法根据相似性选取多个样本块作为图像重建的候选,在候选集中计算图像块先验概率和图像块之间的相容性,最后在马尔科夫框架下选取最优图像块,合成最终的高分辨率图像。实验证明本文提出的算法具有较好的超分辨率效果。     

3G时代下成人教育教学管理新“网络”模型

成人教育已从最初的函授等传统教育方式逐步发展为依托现代计算机信息技术和网络技术的远程教育形式。随着终身教育的理念深入人心和国家大力发展现代远程教育的政策推出，一种更加自主化、个性化、l主动化、彻底打破空间时间限制的教育教学和管理方式越来越被社会所期待，这是一种全新的教学和管理“网络化”模式，而这里的“网络”则涵盖两方面意义：一是立体网络化的管理方式；二是高速宽带，3G无线网络时代下利用全新网络技术的管理和教学方式。文章以现有学校的教学管理模式和网络技术发展现状为出发点，阐述在已经到来的3G时代下，该新型网络模型的可行性及实际实践的两个方向。     

网络体验式广告探析

网络体验式广告主要采用游戏策略、虚拟体验策略、鼓励策略和悬疑策略等,成功的网络体验式广告运营模式具有平台广阔、互动性强、技术完善、成本低廉以及良好的广告效果测定手段等投放优势.我国网络体验式广告起步较晚,存在着互动性不强、运营模式单一、广告投放效果不佳等问题,应综合运用多种广告表现策略,并与其它营销策略与媒体整合运用,以期得到良好的发展.     

一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.     

流量分布路由在无线网络中的应用

介绍了无线网络的概念、特点,以及无线局域网的协议标准和常见的无线网络的应用设备,并对流量分布路由在无线网络中的应用进行探讨,通过高速路由表查找算法及其改进流量分布路由让无线网络速度得到了提高.     

一种混沌神经网络及其在优化计算中的应用

研究了一种具有混沌特性的神经网络 ,该网络具有瞬态混沌响应 ,类似于Hopfield网络的结构 ,但有比Hopfield网络更加丰富的动力学特征、更强的全局搜索能力。通过把混沌动力学与收敛动力学相结合 ,使网络逐渐由混沌神经网络向Hopfield网络过渡 ,达到控制混沌的目的 ,并且提供一个在全局最优解附近的初值 ,有效地解决了Hopfield网络的局部极值问题。该网络模型可以用来解决复杂的非线性优化问题。     

基于神经网络的一类非线性系统的变结构控制

在已知名义系统的基础上 ,将小脑关节模型控制器 (CMAC)神经网络用于一类状态反馈可线性化的多输入多输出连续时间非线性系统的变结构控制中。利用自适应技术估计了估计误差的大小 ,减小了系统的不确定性 ,并利用模糊控制技术调整了变结构增益 ,改善了系统的性能。在很弱的假设条件下 ,应用Lyapunov稳定性定理证明了闭环系统内的所有信号为均匀最终有界。算法在导弹控制系统中的应用进一步证明了本文方法的有效性。     

网格安全研究综述

随着网络规模和应用的不断发展,网络安全问题已经成为影响社会经济发展和国家战略的重要因素.网格(Grid)作为第三代网络信息技术,它所具备的虚拟性、异构性、集成性及动态自适应性特征,决定了网格安全面临着巨大的困难和挑战.综述了网格安全目前面临的问题及其安全策略、技术和实施方案.     

基于改进神经网络的多AUV全覆盖路径规划

针对三维环境下的多自主水下机器人(Autonomous Underwater Vehicle,AUV)全覆盖路径规划问题,提出一种基于改进神经网络—Glasius生物启发神经网络（Glasius Bio-inspired Neural Network,GBNN）的全覆盖路径规划算法。对AUV的水下工作环境构建离散的三维栅格地图;根据栅格地图,建立相对应的三维GBNN模型;根据GBNN活性值的动态变化,AUV规划各自的搜索路径,对水下任务区域进行全覆盖搜索。仿真结果表示,多AUV可以协同完成覆盖搜索任务,能够自动避开各类静态和动态的障碍物,自动逃离路径的死锁区。     

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。