径向函数网络对国民经济生产总值预测研究

为了建立国民经济生产总值(GDP)神经网络预测模型,构造了双层网络结构的基于径向基网络,通过学习训练,确定径向基数神经网络参数和结构。仿真结果表明,生成的径向基函数模型应用于国民经济预测比BP神经网络模型具有更高的预测精度和良好的泛化能力。

一种BP网的学习速率与动量项自适应算法

针对BP网络学习速率和动量项参数较难选取以及学习过程中学习效率较为低下的问题,提出BP网络的改进算法模型—AB网络模型,来选取学习速率和动量项的参数值,即通过一个为给定先验知识的A网,动态调节另一个执行实际应用的B网中的学习速率和动量项的参数值,并以此提高整个网络的学习效率.实验结果表明,通过AB网络自适应调整参数的算法比普通BP算法的学习效率大大提高.在实际应用中,我们可以通过AB网络自适应调节的方法,对学习速率参数和动量项参数进行合适的选取.

一种改进的基于孪生卷积神经网络的目标跟踪算法

目标跟踪是计算机视觉的一个重要研究方向.为了对视频序列中单个目标进行准确定位和实时跟踪,本文采用孪生卷积神经网络解决深度神经网络模型更新不及时和训练数据不足的问题;同时在孪生卷积神经网络的特征提取子模块中加入SE-Net,先利用卷积层提取图像的空间特征信息,再利用特征通道间的相互依赖关系建模,强化有效通道特征,进一步提升网络的特征表征能力,从而提升特征提取的效果;最后通过区域推荐网络进行目标定位和边框微调.本文使用OTB2015数据集进行实验,以平均覆盖率和OPE方法作为评估标准,实验结果表明平均覆盖率为66.6%,OPE准确率图和成功率图也均显示跟踪效果优于其他算法.

正规模态逻辑S_4的表推演系统TS_4

讨论正规模态逻辑Ｓ４的自动定理证明理论，给出了一个关于正规模态逻辑Ｓ４的表推演（Ｔａｂｌｅａｕ）系统ＴＳ４，证明了该系统的可靠性与完备性。

中介模态逻辑MS_4的表推演系统

中介逻辑是一个新的逻辑系统，该系统的创立有明显的哲学背景，自创立后得到了很大的发展。在数理逻辑以及计算机科学领域已发展了中介模态逻辑以及ＭＩＬＬ等中介程序计设语言，但对作为程序计设语言之逻辑基础之一的中介模态逻辑的自动推理理论与实现的研究还很不够。本文系统地讨论中介模态逻辑ＭＳ４的自动定理证明理论，构造了中介模态逻辑ＭＳ４的表推演系统。由于该系统采用＂与或树＂的表达方法，因而不产生＂遗忘问题＂；又由于设置的μ＇扩展规则有效地限制了＂秩＂的递增次数，从而保证了该系统的完备性。本文第一部分给出了中介模态逻辑ＭＳ４的表推演系统及一个应用实例，第二部分证明了该系统的可靠性与完备性定理。

基于改进的支持向量机的手写体汉字识别

逐次超松弛迭代法算法是一种具体的SVM算法,在SOR算法中松弛因子采取固定数值时,在许多情况下收敛速度较慢。文中提出通过引入具有"先验知识"的神经网络,对逐次超松弛迭代法中的松弛因子进行控制,以提高逐次超松弛迭代法的收敛速度。实验结果表明,该模型实现的逐次超松弛迭代法能够提高其收敛速度。在手写体汉字的识别实验中,该改进算法可以减少支持向量机的训练时间。

改进的基于样例修补的目标移除方法

借助结构张量具有表达图像局部结构的性质,提出一种改进的区域填充图像修补方法.通过结构张量可以使图像的任意像素点的各个色彩分量获得一致的进化方向,其特征向量主导的目标块填充次序使得信息传播方式具有各向异性的特点.在真实自然图像上移除巨大目标物的比较实验表明:文中方法比Criminisi的基于样例修补目标移除方法具有更合理的、视觉上更真实的修补效果.

《概率论与数理统计》课程的教学改革与实践

《概率论与数理统计》是理工科院校绝大部分专业重要的基础课程。实践表明,在教学中注意数学模型的建立与求解,能培养学生应用数学的能力和创新意识,而应用多媒体等辅助教学手段可以激发学生学习数学的兴趣。

关于无穷集合概念的不相容性问题的研究

文中证明古典集合论与近代公理集合论中的任何一个无穷集合都是自相矛盾的非集。

一种改进的Otsu阈值分割算法

Otsu法是一个常用的阈值分割方法.该算法是基于一维直方图来确定阈值的,因此仅适合图像目标和背景分布呈正态分布且各像素量和方差基本相当的情况.针对这个不足,文中提出了一种结合邻域信息的改进Otsu算法.实验结果表明,改进算法比传统的Otsu算法有更好的分割效果.

基于粗糙集的神经网络在模式识别中的应用

神经网络在模式识别中的应用十分广泛,由于网络训练样本中存在大量的冗余信息,常导致神经网络结构复杂、训练速度较慢、识别率不高等问题。在神经网络训练前,引用粗糙集理论对神经网络的训练样本进行属性约简,提取训练样本的重要特征,使得训练样本的输入向量维数减少,进而简化神经网络的结构,提高网络训练速度和识别率。仿真实验表明,此方法切实有效。

基于改进特征跟踪的客流量统计

为实现多目标的精确跟踪,提出一种基于视频客流量的跟踪计数方法。利用图像差分法提取运动目标,对差分图像进行形态学处理,使用连通域分析创建人体结点,得到目标的形心,采用向前优先搜索像素点的原则搜索下一帧图像的所有像素点,通过搜索到的像素点确定目标的新中心位置,根据目标中心与计数线的关系进行计数。实验结果表明,该方法简单可行,统计数据具有较高的正确率。

改进的RBF学习算法及其相似性应用

针对RBF网络梯度下降法容易造成网络收敛速度不够快和陷入局部极小的缺陷,引入一个具有步长先验知识的神经网络来动态调整梯度下降法中的学习步长。该算法中构造了两个RBF网络,分别设为A网和B网,其中A网具有步长先验知识。当B网络陷入局部极小时,则调用A网获得优化的学习步长,进而来提高B网络的收敛速度。实验结果表明了该算法的有效性和优越性。同时,该算法对相似性问题也有较好的解决能力。

基于改进的三帧差分法运动目标检测

为了提高运动目标检测的准确性和效率,提出了基于改进的三帧差分法检测运动目标的算法。该算法对传统的三帧差分法进行了改进,结合了单高斯模型背景提取、背景自适应更新和自适应阈值提取的方法,从而解决了传统三帧差分法中可能出现的无法检测出完整的运动目标的问题。背景的自适应更新和自适应阈值的提取减少了光线亮度变换以及噪声对运动目标检测带来的影响。实验表明,该算法与传统的三帧差分法相比可以更加完整地检测出运动目标,并且可以有效地避免出现"漏检"等情况,提高了运动目标检测的效率和准确性。

基于图像处理技术的高精度仪表的自动判读

介绍一种使用减影法与霍夫变换相结合的高精度仪表自动判读方法。首先,根据视差形成原理确定摄像头的正确位置。接着,对摄像头获得的仪表盘图像进行图像预处理,使用减影法提取指针。最后,使用霍夫变换确定指针式仪表的读数。实验结果表明,该方法大大减少了检测时间,并且提高了检测精度。

改进的BP神经网络在交通流量预测中应用

针对传统BP学习算法收敛速度慢,对步长依赖明显等缺点,提出一种利用搜索较优步长的BP算法.在网络训练中,能够在每次迭代中搜索出一个相对合理的步长,从而使步长的选择对学习速度的影响大大降低.对交通流量预测仿真结果表明,新算法对步长选择的依赖性小于传统BP算法.

无穷观问题的研究(Ⅳ)——自然数系统与无穷公理

本组系列论文 ( )～ ( )从数学和认识论的角度系统地研究了无穷观问题的历史发展和现状 ,确立了无穷观背世界的三分法原则 ,指出了两种无穷观相互排斥的局限性 ,形成了统一两种无穷于同一框架中的基本观点 ,并建立了一个统一实无限与潜无限于同一框架中的公理集合论系统 APAS。

基于覆盖的神经网络集成在语音识别中的应用

神经网络集成通过训练多个神经网络并将各网络的结论进行合成,从而得到最终结果.集成可以显著的提高学习系统的泛化能力.讨论了基于覆盖思想而设计的神经网络集成方法,并将其应用于汉语孤立数码语音识别系统中,通过在集成过程中加入基于覆盖思想的控制算法降低系统的泛化误差,从而使系统的识别效果有了进一步的提高.

改进的Mean Shift跟踪算法在车辆跟踪上的应用

使用传统Mean Shift目标跟踪算法实现运动目标跟踪时,跟踪框大小不变,可能会导致跟踪过程中运动目标跟丢的情况发生。因此,提出了一种结合背景差分法的Mean Shift跟踪算法,从而实时地提取出大小合适的运动目标跟踪框。实际应用中,通过DM642数字信号处理器采集D1格式的视频,然后对视频帧图像进行改进的Mean Shift跟踪算法实现后可以发现,改进的Mean Shift跟踪算法可以实时地实现目标跟踪框大小的变化。在跟踪效果上,改进的跟踪算法具有较好的效果。

初始权值优化技术在SOM网络中的应用

SOM网络是一种无导师学习方法,被广泛应用于各个领域。网络的性能受很多因素影响,如样本的选择、网络结构、初始权值的选定等。针对网络初始权值选取的不确定性问题,提出了覆盖权值初始化方法来优化SOM网络的初始权值:该方法从样本入手,并通过"覆盖"方法得出初始权值,仿真实验结果证明了此方法能有效的提高网络的识别率和稳定性。