视觉核感知器

将Mercer核思想和视觉理论相结合，提出了视觉核感知器算法(VKP)。相对于单纯的核感知器，视觉核感知器能更有效地解决了学习的收敛性问题。同时也有效地提高了核感知器学习的精度。大量的实验结果表明了本算法的有效性和某些情况下的优越性。     

鲁棒的极大熵聚类算法RMEC及其例外点标识

针对极大熵聚类算法MEC(maximum entropy clustering)对例外点(outliers)较敏感和不能标识例外点的缺陷，提出了一种改进的极大熵聚类算法RMEC(robust maximum entropy clustering)。该算法的基本思想是通过引入Vapnik'sε-不敏感损失函数和权重因子重新构建目标函数，并利用优化理论推导出新的学习公式。RMEC算法不但对例外点较之MEC算法有更好的鲁棒性，而且还能有效地利用学习后的权重因子标识出数据集中存在的例外点。仿真试验结果亦表明了RM     

基于压缩集密度估计的ML模糊推理系统构建

基于高斯混合模型揭示了ML模糊推理系统构建可以等价为压缩集密度估计问题。利用此发现提出基于压缩集密度估计器RSDE的ML模糊推理系统训练算法。该算法有如下特点：①无需人为设定模糊规则数目;②是一个二次优化问题,可利用快速的二次规划算法快速求解。通过模拟和真实数据集验证,实验结果亦证实了上述优点。     

基于视觉原理和Weber定律的径向基函数回归建模

提出了一种新的基于视觉原理和Weber定律的径向基函数(RBF)回归建模方法．与传统的RBF回归建模方法相比，该方法不但考虑了训练样本的数据结构，还充分利用了人眼很强的目标识别能力，从而能快速有效的建模．所做的大量仿真试验表明了本方法的有效性．该工作的意义在于从一个新的角度来审视RBF回归建模问题，并为之提出了一种新的思路．     

面向数字媒体技术专业的多媒体信息处理课程群教学方法探讨

多媒体信息处理类课程在“数字媒体技术”专业的教学中占据着重要地位.但是,目前还存在着诸多问题.针对当前课程教学所存在的若干问题,该文基于多年的教学实践,提出了几种可行的改革方案,并总结了其中的关键问题.结合教学实际,所提方案不仅能有效地提高教学效果,还对相关课程改革具有重要的借鉴意义.     

模糊规则自适应学习的弹性图像配准

针对弹性图像配准的特点和挑战，基于模糊逻辑推理规则构建了一个具有自适应功能的弹性变换模型．进一步地，提出了一种具有自适应学习功能的自动弹性图像配准方法．通过对医学图像进行配准试验来测试其性能，提出的新弹性图像配准算法显示出了很好的性能．     

模糊规则自适应学习的弹性图像配准

针对弹性图像配准的特点和挑战,基于模糊逻辑推理规则构建了一个具有自适应功能的弹性变换模型.进一步地,提出了一种具有自适应学习功能的自动弹性图像配准方法.通过对医学图像进行配准试验来测试其性能,提出的新弹性图像配准算法显示出了很好的性能.     

面向虚实互联网络的链路采集技术研究

网络仿真是网络空间靶场的重要基础,面向仿真网络的数据采集与评估是关键环节。基于OpenStack复现形成的仿真网络,构建面向多样化仿真链路的分布式链路数据采集系统。研究面向宿主机内、间的虚拟链路和虚实互联等3类链路的协同采集技术、高效链路数据采集技术以及基于链路数据的效果评估技术。实验表明:所提方法在采集速率上相对于传统方法提升了88.48%,在CPU占用率上降低了45.29%;面向典型的LDDoS场景,可采集所需要的链路数据,并进行LDDoS的效果评估。     

模糊核超球感知器

提出了一种基于核化技术的模糊核超球感知器分类算法，该算法通过核化技术把样本数据映射到高雏特征空间，并利用超球感知器学习寻找高雏特征空间的决策超球，从而得到各类样本的决策函数．同时，样本测试中采用的模糊技术有效提高了算法的适应性．该算法学习规则简单，所得特征空间超球在样本空间的分布能很好地反映样本的数据结构，适用于不同类型数据结构样本的学习，并经大量试验显示了算法的有效性．     

面向单调分类的简洁单调TSK模糊系统

Takagi-Sugeno-Kang(TSK)模糊系统的一致逼近能力和可解释性使其可以直观高效地描述复杂的非线性不确定系统,可以有效地应用于模式分类.然而,对于单调分类任务,现有的模糊分类算法并没有考虑单调数据存在的有序关系,因此这些算法对于单调分类任务在模型的复杂度和分类性能方面有待改进.针对此问题,提出了面向单调分类的简洁单调TSK模糊系统建模方法(Concise Monotonic TSK Fuzzy System for Monotonic Classification,CM-TSK-FS),引入有序互信息进行单调特征选择,然后利用抽取的特征来训练TSK模糊系统进行分类识别.该方法有如下优点:(1)由于对单调数据进行了特征选择,新方法降低了TSK模糊系统规则的复杂性,因而得到的模糊系统更加简洁;(2)由于在特征抽取时考虑了单调数据的特征值和决策值之间的单调性,使得训练的模型的分类性能也有了一定程度的提高.在多个单调数据集上进行了实验验证,实验结果表明:面向单调分类的简洁单调TSK模糊系统在处理单调数据集时,通过选取重要的单调数据特征,不仅可以降低其模型的复杂性,还可以提高分类精度.