适用于高必要嵌入维的混沌时间序列预测算法

针对现有的混沌时间序列预测算法─—延迟坐标状态空间重构法不能对必要嵌入维较高的奇异吸引子进行有效预测问题，分析表明了高嵌入维时预测精度下降的原因在于重构空间的全局Lyapunov指数谱的变化.通过引入仿射变换，改善了高维重构空间的全局Lyapunov指数谱的性状，并由此给出了适用于高必要嵌入维的预测算法.仿真结果很好地支持了这一设想.

基于局域主方向重构的适应性非线性维数约减

现有的主要非线性维数约减算法,如SIE和Isomap等,其邻域参数的设定是全局性的。仿真表明,对于局域流形结构差异较大的数据集,全局一致的邻域参数可能无法获得合理的嵌入结果。为此给出基于局域主方向重构的适应性邻域选择算法。算法首先为每个参考点选择一个邻域集,使各邻域集近似处于局域主线性子空间,并计算各邻域集的基向量集;再由基向量集对各邻域点的线性拟合误差判定该邻域点与主线性子空间的偏离程度,删除偏离较大的点。仿真表明,基于局域主方向重构的适应性邻域选择可有效处理局域流形结构差异较大的数据集;且相对于已有的适应性邻域选择算法,可以更好屏蔽靠近参考点的孤立噪声点及较大的空间曲率导致的虚假连通性。

基于自组织的鲁棒非线性维数约减算法

现有的非线性维数约减算法需要求解大尺度特征值问题 由于特征值问题至少二次的计算复杂性 ,这类算法在大样本集上的应用较受限制 此外 ,现有算法的全局优化机制对于噪声较为敏感 ,且需要考虑“病态矩阵”的计算精度问题 提出时间复杂性为O (NlogN)的自组织非线性维数约减算法SIE SIE的主要计算过程是局域的 ,可提高算法抗噪性、回避病态矩阵的计算精度问题 仿真表明 ,对于无噪数据和含噪数据 。

基于内容相关性挖掘的反馈式搜索引擎框架

当前主流的搜索引擎根据查询词在网页中的出现频率,辅以网页权威性等信息,生成查询结果.但用户提供的查询词往往非常简单,因此搜索引擎难以确定用户的查询意图.为此,给出了一种利用海量clickthrough数据进行网页内容相关性挖掘的方法,在此基础上给出了一种反馈式搜索引擎(FSE)框架及相关算法.FSE根据网页相关性动态生成查询结果,以期提供给用户更中肯和个性化的信息.基于真实点击数据,进行了网页相关性矩阵的压缩实验和有效性实验,证明了该框架的可行性.

基于预测复杂性的神经网络预测子辨识

本文在信息熵和互信息的基础上 ,提出了非线性偏自相关的定义 .这一概念是对线性偏自相关的一般化 ,由它可以得到度量时间序列预测复杂性的定量方法 .这种复杂性由当前序列值对各阶历史序列值不可约的依赖性所决定 ,并被非线性偏自相关的衰减趋势所反映 .通过考察这种衰减趋势 ,可以有效地进行预测模型的辨识 ,特别是神经网络这类通用非线性模型的辨识 .仿真实验很好的支持了我们的想法 .

自适应随机化链路状态路由算法

目前使用的两种 IP路由算法——距离矢量和链路状态 ,都基于局域最优思想 :每个路由器为其转发的包选择某种距离测度下的最短路径尽力发送 .但是由于网络业务量具有无特征尺度的突发性 ,带宽资源经常可能处于相对稀缺的临界状态 .在这种情况下 ,基于局域最优的路由策略通常并不对应于全局的最优 .一个明显的例子是由局域最优算法所导致的路由振荡 .提出的自适应随机化链路状态路由算法利用自适应随机化方法协调、限制各路由器的局域最优要求 ,有效地解决了路由振荡问题 .仿真表明新算法显著提高了以包平均传输延迟和包丢失率为测度的网络的整体传输性能 .此外 ,新算法的协调机制仍是局域性的 ,因而不显著地增加通信和计算开销 .

基于统计判据的非线性维数约简

现有非线性维数约简算法均需要人工设定适当的邻域点数k(或者邻域半ε)才能获得合理的嵌入结果．但常用的基于嵌入残差的邻域参数选择方法本质上是循环依赖的,不能有效工作．为实现非线性维数约简算法的定量评价的参数辨识,从讨论优化嵌入的基本判定原则出发,给出了基于空域互信息和正则依赖指数谱的优化嵌入判据实现嵌入质量的定量评价和非线性维数约简算法的非监督参数辨识．仿真实验表明,直观的嵌入质量可被优化嵌入判据有效反映,且由嵌入集拟合恢复原数据集时的拟合精度与优化嵌入判据之间存在显著的正相关．

快速鲁棒的密度基聚类算法

为有效改善基于密度的聚类算法的聚类效果,提出了判定顺序聚类算法的聚类合理性的形式判据,简述了其神经生物学证据,并据此给出了可有效改善DBSCAN算法的聚类精度和时间效率的新算法DBSCANJZPoll．该算法首先以随机处理次序多次执行一个顺序依赖的子进程;再根据子进程的各次执行结果,由“合理聚类”的形式判据和简单的统计原则确定最终聚类结果．在聚类精度方面,仿真实验表明,DBSCANJZPoll可有效处理密度不均匀的样本集,聚类效果显著优于DBSCAN．在时间效率方面,理论分析表明,对于中高维样本集,DBSCANJZPoll的时间复杂性渐近于O(N),优于DBSCAN算法族中其他算法至少O(N log N)的复杂性;对于低维样本集的仿真也表明, DBSCANJZPoll具有相对优化的时间效率．

一种快速冗余容错编码方法及其在IP网络QoS控制中的应用

首先提出一种快速容错编码方法:混洗素矩阵 (ShuffledPrimeMatrix,SPM)码。SPM是对目前广泛应用于非实时环境 (例如RAID磁盘阵列 )中的Reed Solomon冗余容错码的变例。相对于后者,SPM码具有时间效率高、节省内存资源和程序实现简便等优势,因而更适合于实时环境或嵌入式应用的需求。给出了基于SPM码的IP网络端到端的QoS控制方案,并分析了其有益效果。

基于再生密钥的量子安全通信方法

该文在分析传统保密通信方法、基于量子密钥发布机制的量子安全通信方法和目前已知的两种直接量子安全通信方案的不足的基础上 ,提出一种新颖的基于再生密钥的直接量子安全通信方案 .该方案在量子密钥发布技术所要求的信道条件下 ,根据自治动力系统伪随机数发生器生成的再生密钥 ,选择量子比特的制备基并对明文进行加密 ,实现内容可控的直接量子安全通信 .该文的方案不要求一条始终存在的不可阻塞经典信道 ,具有较高的安全性和传输、处理效率 ,且物理实现简单 .

基于神经网络的时间序列鲁棒预测

为了实现神经网络预测模型的鲁棒预测 ,提出一种基于非线性偏自相关的一般化预测模型辨识方法。该方法通过考察待预测时间序列的当前序列值对各阶历史序列值的不可约自依赖 ,确定神经网络这类非线性自回归模型的自回归阶数。实验表明 ,该方法可有效地提高神经网络预测模型的鲁棒预测能力。

基于k-means和半监督机制的单类中心学习算法

提出了一个基于k-means算法框架和半监督机制的single-means算法,以解决单类中心学习问题。k-means算法实质上是对一种混合高斯模型的期望最大化(EM)算法的近似,对该模型随机生成的多类混合数据集,从目标类中随机标定的初始中心出发,能确定地收敛到该类的实际中心。将single-means算法应用到对单类文本中心学习问题中,实验结果表明:在给定目标类中的小标定文本集后,新算法能够有效地改进类的初始中心,且对数据稀疏和方差较大的实际问题具有健壮性。

基于网格密度和距离信息特征的聚类算法

真实数据集通常密度分布不均,多数基于网格和密度的聚类算法采用的单调性搜索方法难以形成有效聚类.为此,文中提出了基于网格密度和距离信息特征的聚类算法(GDD).该算法将数据空间划分成网格单元,并构建基于簇中心距离信息的跃迁函数,通过考察局域范围内网格单元的密度跃迁比,并比对计算出的当前网格单元的跃迁函数值,以决定是否继续扩展和增长聚类簇规模.具体的跃迁函数在真实和模拟集上的实验结果表明:GDD算法能够发现任意形状的簇,对噪音数据不敏感,且具有线性于网格数目的时间复杂性,适合对大规模真实数据集的聚类.

模糊聚类神经网络的非对称学习算法

通过仿真和分析表明模糊聚类神经网络原有学习算法 FCNN的局限性 :如初值敏感性、吸引域不灵活和稳定点不合理等 ;指出造成上述局限的原因主要在于算法的对称性和权值向量的修正缺乏协同 .为此 ,通过在网络模型中引入层内反馈、在算法中引入加速项 ,消除了算法的对称性并使权值向量的修正具有一定的协同性 ;通过改进算法结构 ,消除了小尺度振荡现象并使算法的稳定点趋于合理 .

统计机器翻译中的非连续短语模板抽取及其应用

目前基于短语的统计机器翻译模型很少将非连续短语的情况考虑在内,由此造成翻译结果在目标语言中的意义变化或缺失。以非连续介词短语为例,提供了一种短语模板抽取算法。首先采用基于规则的方法,抽取出中文非连续介词短语模板,而后借助双语对齐语料和介词_方位词翻译表,获得模板对应的英文翻译。最终形成的双语模板被加入短语翻译表中。在标准测试语料上的对比实验表明,加入非连续短语模板后,译文更加符合语法规范,而翻译结果也取得了相对稳定的提高。

非线性维数约减算法在文档聚类中的应用

提出一种非线性维数约减算法——自组织等距嵌入实现高维文档数据的压缩,并在文档聚类实验中,与经典的线性维数约减算法—隐含语义索引进行了比较研究。实验结果表明,在复杂度显著低于LSI算法的同时,SIE算法取得了优于LSI算法的性能,且高于基准性能。

对称和非对称词语聚类模型的比较研究

词语聚类是语音识别、智能信息检索等领域的一个重要的自然语言处理问题。实现基于互信息的对称聚类模型,并针对该模型未考虑词语顺序的缺陷,提出一种新的非对称聚类模型。按照聚类词相对其他词语的位置关系,该模型分为2个子模型,即条件聚类模型和预测聚类模型。在大规模数据集上的实验表明,相对于对称聚类模型,非对称聚类模型是一种更为有效的词语聚类模型。

THE基于意义的ICAI认知模型的理论与实现(英文)

指出学习过程就是获取学习对象意义的过程,因而学生模型需要也仅仅需要感知、理解和适应学生对于知识体系意义的建构状况.按照这一思路,发展了维特根斯坦的意义理论;提出了意义的联结观;进而给出了一个通用的ICAI学生模型——意义中心的学生模型,以及该理论的具体实现——智能化计算机辅助教学平台Thinking.

基于互信息判据的小波去噪

通常的线性滤波技术不能很好地解决非线性时间序列去噪问题,而现有的非线性去噪技术的参数选择往往要依赖于直觉和经验.为此,提出基于互信息判据的小波去噪方法,利用小波进行非线性去噪处理,并以互信息作为去噪处理截止的判定条件,给出了小波去噪算法,分析了其优势,并进行了仿真实验.仿真结果表明,小波算法能更好地处理不平稳和突发的噪声;互信息所指示的优化截断尺度,既较好地保留了信号的动力结构,又有效地实现了非线性噪声过滤.

用基于视角的方法分析和合成图像

本文介绍了计算机视觉领域中基于视角的对象识别方法 ,对径向基函数 ( Radial BasisFunction)神经网络模型进行了分析 ,分析了其训练算法 ,给出了一种利用径向基函数神经网络和基于视角的方法分析和合成图像的方法 ,并在 MATLAB平台实现。仿真结果说明 ,采用 RBF神经网络模型的训练速度和分析精度是令人满意的。