基于BP网络的色彩匹配方法研究

提出了一种基于 BP网络的色彩匹配方法 ,它既解决了 RGB色彩空间到 CMYK色彩空间的非线性转换关系 ,又可用于其它的色彩空间转换 .首先 ,给出样本数据的选取和转换方案 ,并结合色彩匹配的特点 ,利用迭代自组织数据分析算法实现对样本数据的动态聚类 .其次 ,在将 BP网络用于色彩匹配的过程中 ,设计了合理的网络结构 ,并对训练数据进行了规格化处理 .最后 。

专家系统中知识库组织与维护技术的研究

为了提高知识的利用效率 ,提出了一种“顺序存储 ,动态组织”的知识库组织策略。在知识库维护方面 ,提出了基于规则知识库的环路检测 ,不可达选择子、闭塞选择子检测 ,等价、从属、冲突规则集检测等三个知识库维护算法 。

基于Metropolis准则的Q-学习算法研究

探索与扩张是Q-学习算法中动作选取的关键问题,一味地扩张将使智能体很快地陷入局部最优,虽然探索可以跳出局部最优并加速学习,而过多的探索将影响算法的性能.通过把Q-学习中寻求最优策略表示为组合优化问题中最优解的搜索,将模拟退火算法的Metropolis准则用于Q-学习中探索和扩张之间的折衷处理,提出基于Metropolis准则的Q-学习算法SA-Q-learning.通过实验比较,它具有更快的收敛速度,而且避免了过多探索引起的算法性能下降.

一种蛋白质复合体模块度函数及其识别算法

蛋白质复合体对于研究细胞活动具有重要意义.随着新的生物实验技术的不断出现,产生了大量的蛋白质相互作用网络.通过对蛋白质相互作用网络进行聚类识别蛋白质复合体是当前研究热点.然而,目前大多数蛋白质复合体识别算法的性能不够理想.为此,提出了蛋白质复合体模块度函数(PQ),并在此基础上提出了基于蛋白质复合体模块度函数的模块合并(based on protein complexes modularity function for merging modules,BMM)算法.BMM算法首先识别网络中一些稠密子图作为初始模块,然后依据PQ函数对这些初始模块进行合并,最终得到了质量较高的蛋白质复合体.将识别出的复合体分别与2种已知的蛋白质复合体数据集进行比对,结果表明BMM算法具有很好的识别性能.此外,与其他最新的识别算法相比,BMM算法的识别准确率较高.

基于IBL算法的CBR系统中索引与检索机制研究

文章介绍了基于示例学习算法IBL的概况，并对其加以改进，提出了一个新的算法IBL－Cluster。它主要由概念描述形成算法和概念描述修改算法构成。在此基础上建立了应用在基于事例的推理系统CBR中的基于IBL算法的索引与检索机制。实验表明新算法IBL－Cluster在存储空间及测试正确率方面均有改善。

一种基于XML的企业知识管理框架

描述了基于互联网络上全新的通用描述性语言———可扩展的标识语言XML的企业知识管理框架。利用XML的优点来对企业中如何更为有效地进行知识管理进行了描述,并对知识管理当中的主要对象诸如知识对象、连接对象等进行了提取,描述了其相关的属性,构建了相应的文档类型声明DTD模板,从而开发了一个基于XML的知识管理框架。

加强学习主要算法的比较研究

文章介绍了加强学习模型,分别给出了加强学习的四个主要算法:动态规划、蒙特卡罗算法、时序差分算法、Q-学习,并指出了它们之间的区别和联系。最后给出加强学习的两个应用以及今后的研究方向。

基于规则和模糊线性规划表示的专家系统研究

专家系统是人工智能学科的重要分支，知识表示是专家系统的核心研究内容之一。本文首先分析现有的知识表示方法，结合专家系统技术在乳业领域应用的特点，引入定量计算方法，给出模糊线性规划的模型及算法。然后，提出两种线性规划求解和推理过程结合的专家系统应用模型，并从中总结出一种新的知识表示形式——基于规则和线性规划的知识表示。最后，给出这种知识表示方法在乳业专家系统中的应用。

一种新的基于属性-值对的决策树归纳算法

决策树归纳算法 ID3是实例学习中具有代表性的学习方法 .文中针对 ID3易偏向于值数较多属性的缺陷 ,提出一种新的基于属性 -值对的决策树归纳算法 AVPI,它所产生的决策树大小及测试速度均优于 ID3.该算法应用于色彩匹配系统 。

评价函数驱动的抖动模式的研究

图象处理中的抖动模式问题是彩色图象打印输出的一个关键问题．提出由评价函数驱动的模式抖动方式，并利用模拟退火算法加以实现，在此基础上，提出了几种影响抖动模式的评价函数．

基于模拟退火算法旅行商问题的并行实现

旅行商问题属于ＮＰ难题，不存在多项式时间的算法提出一个基于模拟退火算法求解旅行商问题的算法。

示例学习的扩张图方法

提出示例学习的一种几何理论，即扩张图方法。应用该方法求得了最优覆盖问题的近似解。该方法直观、清晰，并具有渐近式学习功能。

基于遗传算法的示例学习系统的并行实现

示例学习的目标即是寻找最优覆盖规则，而这已被证明为ＮＰ难题。本文提出利用遗传算法来寻求最优覆盖规则的算法。

加强学习

加强学习(Reinforcement Learning,简称RL)是一种重要的机器学习方法,在机器入规划、分析预测等领域有许多应用。加强学习的任务即是寻找一条策略,为行为者(agent)

模拟退火算法中冷却调度选取方法的研究

模拟退火算法是解决组合优化问题的有效方法，冷却调度是它的关键部分．该文给出了初始温度、降温策略、Ｍａｒｋｏｖ链长度以及停止准则的选取方法，尤其是在停止准则方面，借鉴禁忌搜索的思想，提出了一种新的模拟退火算法停止准则．以上方法在中国３１城市旅行商问题以及抖动模式问题中得到了有效应用．

夫妻围坐问题的一种解法

运用一一对应技术和容斥原理，给出了基本夫妻围坐问题的一种求解方法。

基于划分策略和填充曲线的抖动模式研究

抖动处理是计算机图形学和图像处理中的一项关键技术 ,抖动算法的好坏直接关系到图像打印质量的优劣 .针对利用评价函数生成较大抖动模式比较困难的问题 ,提出了划分初始模式的方法 ,并渐进生成较大抖动模式 ;针对模式抖动中出现的边界赝象 ,引入填充曲线机制加以消除 .实验表明 。

基于模拟退火算法的抖动模式的研究与实现

研究图象处理中的抖动模式问题，该问题是彩色图象打印输出的一个关键问题。本文首先提出基于模拟退火的抖动算法，然后就初始状态确定及其评价函数计算、新解产生及相应的函数增量计算、冷却进度表等进行讨论，最后算法得以实现，实验结果表明速度及效果均有改进。

面向结构地震响应预测的Phy-LInformers方法

为了准确评估建筑结构在地震作用下的动力特性和延性性能并促进韧性城乡的建设,本文提出了一种名为Phy-LInformers的深度学习框架,该框架综合运用了长短期记忆网络(long short-term memory,LSTM)、Transformer类模型Informer以及物理先验知识,以实现对建筑结构非线性地震响应的精确预测。该框架的核心思想是结合Informer的编码(Encoder)和解码(Decoder)结构,在Decoder部分引入了LSTM以预测建筑物先前的历史状态信息。同时,通过将现有的物理知识(例如预测变量之间的状态依赖关系和运动控制方程等)编码到损失函数中,对Phy-LInformers进行指导并约束其学习空间,同时提高有限训练数据下深度学习模型的预测性能。随后,通过2个模拟数据算例验证所提框架的性能。结果表明,所提出的Phy-LInformers是一种鲁棒性良好、预测性能优秀的非线性地震响应预测方法,即使在训练样本非常少(例如仅有10条)的情况下依然能准确预测结构在地震作用下的动力响应。这一特性使得Phy-LInformers在工程实践中具有可行性,并且在建筑结构抗震性能评价领域展现出良好的应用前景。

基于采样策略的主动学习算法研究进展

主动学习算法通过选择信息含量大的未标记样例交由专家进行标记,多次循环使分类器的正确率逐步提高,进而在标记总代价最小的情况下获得分类器的强泛化能力,这一技术引起了国内外研究人员的关注.侧重从采样策略的角度,详细介绍了主动学习中学习引擎和采样引擎的工作过程,总结了主动学习算法的理论研究成果,详细评述了主动学习的研究现状和发展动态.首先,针对采样策略选择样例的不同方式将主动学习算法划分为不同类型,进而,对基于不同采样策略的主动学习算法进行了深入地分析和比较,讨论了各种算法适用的应用领域及其优缺点.最后指出了存在的开放性问题和进一步的研究方向.