基于受监督自组织映射的慢性阻塞性肺疾病氧减状态辨识

慢性阻塞性肺疾病(COPD)是一种与人体肺部及呼吸道相关的常见慢性疾病,严重威胁着人类健康。氧减状态的准确辨识对于诊断COPD具有重要的临床指导意义。基于受试人员的6分钟步行数据,本文展开了COPD氧减状态的辨识研究,对每个待辨识点进行特征表示,包括血脉氧饱和度指数、脉搏、血脉氧饱和度指数的窗口特征、梯度特征以及耦合特征,在上述特征表示的基础上,使用数据集来训练用于氧减状态辨识的受监督自组织神经网络模型。严格的对比实验结果表明:本文所提出的辨识模型优于现有的其他方法,全局性能指标AUC达到了0.8611,可以有效用于氧减状态的辨识,对于COPD的诊断具有重要的参考价值。

基于神经网络的人脸自动识别

该文应用神经网络技术构建了一个完整的人脸识别系统。首先使用基于眼睛位置估计的方法从人脸图像中分割出对识别有意义的纯脸,然后使用自组织映射进行特征压缩,提取有效的鉴别特征。最后使用基于知识的模糊神经网络进行分类。在NUSTDBII人脸数据库上的实验得到了令人满意的结果,并且表明该方法对人脸的姿态及表情有一定的不敏感性。

广义SOM及其在人脸性别识别中的应用

将适用于欧氏空间的经典SOM模型,借助于黎曼指数及对数映射,推广至一般黎曼流形空间中,得到了广义SOM模型(G-SOM),给出了G-SOM模型的序列及批量学习算法.G-SOM能够在输出空间中保持模式在输入空间中的内蕴拓扑邻域特性,因此,当输入空间为非线性流形时,G-SOM的性能理论上将优于SOM.FERET人脸图像库上的性别鉴定实验支持了理论结果.

融合自组织映射与Wang-Mendel方法的模糊规则提取

为解决经典Wang-Mendel方法提取模糊规则时得到的规则数目较多的问题,该文提出一个融合自组织映射(SOM)网络和Wang-Mendel方法的规则提取方案。利用SOM对原始样本进行学习,再使用Wang-Mendel方法从SOM的原型向量中提取规则。因为SOM的原型向量学习得到了原始样本的模式分布规律,并且原型向量的数量远小于原始学习样本的数量,所以该方法降低了提取的规则数目及耗费时间。有关混沌时间序列预测的实验结果表明了该文方法的有效性。

一种增量式规则提取算法

扩展了决策矩阵的定义 ,并在此基础上提出一种增量式规则提取算法 (IREA) ,该算法能够以增量的方式从样本数据中提取确定性和可能性规则 .对于缺乏领域知识时的知识 /规则获取具有重要使用价值 .

B样条神经网络的构造理论

文中首先讨论了Ｂ样条基函数的特性，在此基础上采用构造性的方法从理论上证明了Ｂ样条神经网络能够以任意精度逼近任意定义在致密区间上的连续实函数．最后给出了构造性算法，使用此算法，能在满足误差要求的条件下，构造出几乎最小的Ｂ样条基函数．

层次径向基神经网络的全局逼近理论

文中提出了一种层次径向基神经网络ＨＲＢＦＮ （ｈｉｅｒａｒｃｈｉｃａｌｒａｄｉａｌｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｔｗｏｒｋ），并且证明了ＨＲＢＦＮ是一个全局逼近器．ＨＲＢＦＮ更适合于具有层次结构的应用领域。

基于神经网络的人脸特征提取及识别

该文使用神经网络技术对人脸的特征提取及识别做了研究。在降低图像解析度的基础上使用神经网络来进行特征压缩,可以有效地降低特征维数。使用神经网络分类器对压缩后的特征进行分类,分类结果以隶属度来表征待识别人脸属于各类别的可能性。实验结果证明了该方法的有效性。

新模糊神经网络模型及其建模应用研究

本文提出一个新的模糊神经网络模型，证明了它是一个全局逼近器，且具有物理意义明显，收敛速度快之优点，通过一个建模的实例表明，与典型的模糊神经网络建模系统相比，本文提出的新模糊神经网络，是一个更适用的建模工具。

识别蛋白质配体绑定残基的生物计算方法综述

蛋白质与配体相互作用在生命过程中是普遍存在且不可或缺的,这种相互作用在生物分子的识别和信号传递过程中起着非常重要的作用。识别出蛋白质与配体相互作用的绑定残基对蛋白质功能研究、药物设计和筛选都有着重要的科学意义,而生物计算方法是蛋白质与配体绑定残基预测研究中的一种重要手段。本文首先给出了蛋白质与配体相互作用的绑定残基的一般性定义;其次,总结出了一种蛋白质与配体绑定残基预测方法的分类体系,并对其中一些代表性的预测方法进行了简要阐述;再次,给出了蛋白质与配体绑定残基预测研究中常用的数据库和评价指标,并通过在相关数据集上进行实验比较了具有代表性的预测方法的性能;最后,对若干挑战性问题进行分析并预测该领域未来的研究方向,以期对相关研究提供一定的参考。

基于Kernel-SOM的非线性系统辨识及模型运行收敛性分析

该文提出基于核SOM(Kernel-SOM)的非监督非线性系统辨识方法。在辨识误差和系统初始输入误差同时存在的条件下,对Kernel-SOM辨识模型独立运行的收敛性进行了理论分析,并给出了辨识模型运行收敛的定理。数字仿真表明了所述方法的有效性及收敛定理的正确性。

不完备信息系统中一种拓展粗糙集模型

以同时具有遗漏型和缺席型未知属性值的不完备信息系统为研究对象,提出了一种使用参数进行控制的自反二元关系以及相应的粗糙集模型,将这种拓展粗集模型与不完备信息系统中现有的几种拓展粗集模型进行了对比研究。对一不完备信息系统进行了实例分析,以说明新提出的二元关系的有效性。

一类模糊神经网络的遗传算法辨识

给出了一类模糊神经网络，并描述了用遗传算法辨识此模糊神经网络的详细过程。通过仿真使用遗传算法实现了模糊系统的辨识，证明遗传算法不失为一种解决此类问题的有效工具。

模糊子集及规则的合并算法研究

在应用模糊系统时,常常会遇到的一个问题就是系统中可能存在冗余的模糊子集和模糊规则。一方面增加了系统复杂性,浪费了计算能力,另一方面也给使用自然语言来描述系统造成了困难。本文针对TS模糊系统提出一种模糊子集和模糊规则的合并算法。使用该算法能有效地减少模糊子集和模糊规则的数目,进而减小了系统的复杂性,提高系统的可描述性。数字仿真结果证明了本文所述算法的有效性.

蛋白质残基接触图预测

蛋白质是由多个氨基酸组成的长链,是生物体的必要组成成分,参与了生命活动的每一个进程。蛋白质结构决定了许多蛋白质的功能,准确预测蛋白质中氨基酸残基接触对于蛋白质结构预测具有重要意义,蛋白质残基接触问题已经成为当前生物信息领域的热点问题。该文首先给出了蛋白质残基接触图预测的相关背景知识及其重要意义;其次,总结了当前国内外研究的主流方法,包括基于局部相关性的方法、直接耦合分析法与其后处理的方法、以及基于有监督机器学习的方法,并对其中的代表性方法进行了阐述;结合国际蛋白质结构预测竞赛(Critical assessment of protein structure prediction,CASP)的结果对现有模型的性能做了对比和分析;在此基础上,探讨了残基接触图预测在蛋白质结构功能建模中的应用;最后,针对蛋白质接触图预测中存在的若干难点问题,给出了有望取得突破的若干研究方向。

本科生导师制教育管理模式创新研究

高等教育近年来已经步入大众化教育阶段,在教育资源有限的情况下,探索全面贯彻素质教育和培养学生创新能力的需求日益突出,研究如何有效进行人才的全面培养具有重要意义。本科生导师制度的推行,对推动人才培养创新具有积极的意义,是当前大学生管理体制、育人体制改革一个重要突破口,是充分发挥学生个性的一种教育管理手段。本文针对本科生导师制在实施中存在一些问题,以南京理工大学的本科生导师制的实际状况为研究对象,借鉴国内外高校实施本科生导师制度的经验和教训,开展了本科生导师制教育管理模式创新研究。

B样条隶属函数的模糊神经网络研究

把模糊子集的隶属函数取为Ｂ样条函数，利用Ｂ样条函数的正定性，紧密性和归一性，可以使得通常模糊系统输出中的分母削去，并且训练过程中权值的调整也限制在局部范围内。最后证明了其全局逼近特性。

模糊小脑模型神经网络

提出了一种模糊小脑模型神经网络（ＦＣＭＡＣ）。在此基础上，详细分析了ＦＣＭＡＣ的工作流程。并通过仿真实例说明了ＦＣＭＡＣ在实际应用中的有效性。最后把ＣＭＡＣ和ＦＣＭＡＣ进行了比较，指出了两者之间的关系。

大学Java课程教学改革初探

20世纪90年代初Java技术开始出现。Java由于其与生俱来的诸多优点（例如跨平台、面向对象等等），目前已成为成长最快的软件产品之一。Java技术已经渗透到了世界的每个角落，在国内外的应用相当广泛，各行各业都能看到Java活跃的身影，越来越多的人加入到学习Java技术的热潮中。