图型形象思维的研究及应用前景

本文首次将形象思维具体到图型形象上,从而使形象思维的研究有了切实可行的方法,更有效地促进形象思维在人工智能领域的应用。     

一种用于模式识别的多色Voronoi图

提出了一种新的Voronoi图———多色Voronoi图 ,并证明了它的一些重要性质。多色Voronoi图是在Voronoi图的构造过程中 ,根据数据集的特性给Voronoi图染色的结果。用多色Voronoi图概念设计的模式分类器(MCVC)是一种非线性多类别最优分类器 ,可以解决线性可分和线性不可分问题 ,同时MCVC对新增加的训练样本具有快速局部学习能力 ,这种局部学习能力克服了神经网络方法常出现的过学习问题 ,很类似于人对概念的学习。将多色Voronoi图概念用于支撑矢量机的构造中 ,进行支撑矢量的预选取 ,可以提高支撑矢量机的学习速度     

基于谱聚类的图像多尺度随机树分割

针对谱聚类（spectral clustering）应用于图像分割时权矩阵的谱难以计算的实际问题，定义了像素点与类之间的距离，给出一个采样数定理，设计了一个图像的分层分割（hierarchical divisive）算法．在利用该算法进行图像分割时，由于既要对待分类的点进行随机抽样，又要通过调节尺度因子来合并较小的类或拆分较大的类，因此图像的分割既具有随机性又具有多尺度特性，称之为基于谱聚类的图像多尺度随机树分割（multiscale stochastic hierarchical image segmentation byspectral clustering，简写为MSHISSC）．实验结果表明了算法的有效性．     

基于时空图注意力模型的动态软测量建模方法

近年来深度学习由于其特征提取和非线性拟合等方面的优势,在软测量建模中得到了广泛的研究.而深度学习模型是一种黑箱模型,其预测结果难以解释,而且很难将关于过程的先验知识引入模型,这些缺点阻碍了它在实际工业过程中的应用.另外,工业过程数据是具有高度非线性和动态性的时间序列,其本质上反映的是过程随机变量随时间不断变化的趋势,其包含了重要的流程信息,因此在软测量建模过程中引入过程的动态信息是十分必要的.本文提出了一种时空图注意力模型(temporal-spatial graph attention networks, TSGAT),并将其应用在复杂动态工业过程的软测量建模.该方法通过给定变量间结构图来为模型引入先验知识,利用图注意力网络构建变量间的显式的非线性关系,并利用图注意力网络信息聚合的能力对每个时间步的数据完成图上的特征提取,再使用长短期记忆人工神经网络提取时序特征,进而完成对质量变量的预测.为了验证所提方法的有效性和优越性,将该方法应用在实际工业案例合成氨过程中的高低温转换器单元一氧化碳含量的软测量建模,实验结果表明,该模型不仅能够引入先验知识,而且具有较高的预测精度.     

一种二元决策图底事件排序的新方法

故障树分析(Fault Tree Analysis, FTA)是对系统进行可靠性分析的一种有效方法.而在现在所有的故障树分析中,二元决策图(Binary Decision Diagram, BDD)又是其中最有效的方法之一.由于BDI)的节点数在很大程度上依赖于输入的底事件的排列次序,所以从故障树到BDD的转换过程中,需要先对底事件进行排序.而如何对底事件进行有效的排序则成为一个重要且未完全解决的课题.本文提出了一种新的底事件排序法--相邻底事件优先法.其基本思想是利用故障树的相邻关系来给其赋予不同的排序优先级.该排序方法所具备的特点包括:其底事件排序过程是静态的,但在BDD的构造过程中,能动态地对已经排序的底事件进行筛选,同时它还支持在BDD的不同分支采用不同的底事件排序方法.实验证明,与现有的最优方法相比,相邻底事件优先法可有效提高75%的故障树的BDD转化效率.     

基于CDT空间剖分的虚拟角色全局路径规划

针对大范围复杂虚拟城市环境中虚拟角色的自主导航问题,研究了虚拟城市环境的环境建模以及基于层次道路图的改进A*算法。用自适应剪切平面切割三维地物几何模型,把三维城市空间投影到2D平面空间,利用约束Delauny三角化方法剖分城市自由空间,通过调整约束边的长度调整提取道路图的精度,并构建顾及地形起伏特征的层次道路拓扑图;为适应基于层次道路图的路径搜索,对传统A*算法进行了改进。实验结果表明:该方法可以快速完成虚拟角色在虚拟城市环境中的全局路径规划,且环境建模需求空间小,路径搜索效率高并顾及了地形环境的起伏特征。     

基于GPU的加权Voronoi图计算

Voronoi图描述了一种对空间按照欧式距离进行的划分,是关于空间邻近关系的一种基础数据结构,在图像处理、城市规划以及地理信息系统等应用中有着重要的地位.顶点加权Voronoi图是Voronoi图的一种扩展,有着更为广泛的应用,但由于其实现的复杂性,相关算法一直比较少.为此,提出了一种基于GPU的加速算法.该算法利用GPU的高效计算特性,能够实时地生成离散的加权Voronoi图.与现有的算法相比,该方法易于实现,同时实验显示算法具有更好的计算性能.     

疾病基因网络的二分图投影分析

介绍了一种可揭示同一集合内部结点相互关系的二分网络投影方法,并运用此方法对基因疾病二分网络图做研究.通过遗传性疾病与致病基因的关联性来分析不同疾病之间隐含的相互关系,得出由相同的基因变异所引起的各种不同疾病之间存在着或多或少的联系,这些疾病比起毫无联系的疾病,其相互引发的概率也要大得多.此结论使我们能够更清楚地认识到遗传性疾病的发病机制,对疾病预防以及医疗诊断都有一定的参考价值.     

基于模糊认知图的物流需求预测模型研究

准确地预测社会物流需求,在政府对物流行业政策制定、企业物流活动规划中有着重要意义.本文提出一种基于模糊认知图的物流需求预测模型构建方法,综合考虑国内生产总值、进出口总额等五个经济要素与物流需求之间的相互影响关系,通过对历史数据机器学习获得相互影响权重,构建了物流需求预测模型,可对未来物流需求进行推算和预测.实验证明,该模型对物流需求的预测精度较高,效果较好.