反馈型随机二元神经网络

提出并分析了一种全新的反馈型随机神经网络模型，该模型不同于常见的Boltzmann机，它不直接使用随机激活函数而是采用了随机型加权连接，神经元为简单的非线性处理单元.揭示了该网络模型存在惟一的收敛性平稳概率分布，当网络中的神经元个数较多时，平稳概率分布逼近于Boltzmann-Gibbs 分布. 另外，还讨论了该网络模型与Markov随机场之间的关系，并提出了一种新型模拟退火和Boltzmann学习算法.网络模型被成功地应用于解决难度较大的组合优化问题和人像的自动识别，实验结果证实了该模型具有强大的计算能力和优异的泛化性能.     

一种基于心理学的智能虚拟人动机模型

虚拟人是现代计算机游戏的重要组成部分,智能虚拟人的研究是人工生命和计算机动画交叉融合的新领域.智能虚拟人能够在一定的虚拟环境下自行做出适当的决策.可信的虚拟人不仅要有行为和情绪,而且也要有丰富的动机.运用模糊数学的方法和心理学理论,提出了情绪和动机的形式化描述,建立了动机的一种可计算模型,该模型集成了刺激、知觉、个性、动机和情绪.一种基本情绪的激发不仅和外部刺激有关,而且也与动机和个性相关,情绪状态是基本情绪状态的合成.     

实时人脸特征提取

快速精确的人脸特征提取是人脸识别和表情分析的基础.文中提出了一种新型高效的视频人脸几何特征实时提取方法.视频输入图像以加权图形式表示,通过在加权图上的随机游动实现人脸像素级特征的自动提取,脸部特征包括外轮廓、眉毛、眼睛、鼻子和嘴唇.加权图采用8-邻接结构,定义在图的边上的加权值反映随机游动通过该边的似然度.随机游动模拟了一个各向异性的扩散过程,此扩散过程在滤除图像噪声点的同时保留下脸部特征点.随机游动从一些事先通过颜色和运动信息确定的、最具人脸特征的种子点开始,通过随机游动获得的人脸特征点以其原始形式统一保存在多个链表结构中,并根据人脸各部分的相对位置聚集成对应的特征点集合.有关人脸结构的先验知识通过Bayes方法结合到分析过程中.为了便于高层视觉计算,采用统计形状分析方法,将人脸特征点进一步表示成形状和配准信息,形状是具有仿射不变特性的几何信息,用于描述人脸的全局特征.形状的距离度量采用Procrustes距离.实验结果表明,提出的方法快速高效,能够实时地从视频中提取出人脸特征,在一定程度的光线变化、尺度变化、头部转动、手部干扰的情形下仍可以正常工作.     

遗传算法的早熟现象

当前遗传算法虽然在很多地方得到了成功的应用 ,但它存在过早收敛或者收敛缓慢甚至不收敛问题。文章通过对遗传算法机理的认识 ,给出早熟现象产生的原因是模式缺少 ,提出了一个遗传算法中的补偿算子 ,该方法在理论上明显合理并且计算简便 ,增强了遗传算法的求解能力。能很好的解决早熟现象。