交互式遗传算法中收敛性及用户评估质量的提高

交互式遗传算法 (IGA)有一个明显的缺点 ,即用户在交互过程中 ,对每代的所有个体都要进行评估 ,当个体的数量较大 ,进化代数较多时 ,用户容易疲劳 .针对这一问题本文提出了三种解决方法 :第一 ,利用粗糙集 (roughset)理论作为信息提取技术 ,有效地提高交互式遗传算法的收敛性 ,降低进化代数 .第二 ,引进一个自主式遗传操作过程 ,以缓解用户在交互过程中的疲劳性 .第三 ,利用相似距离值这个新概念提高用户对个体评估的精确度 .最后在人脸图形上进行实验的结果表明 。

时序模式发现算法研究

针对时序数据 ,提出一种新的时序模式的逻辑表示法 ,通过分段线性表示法 ,将时序曲线拟合为线段序列 ,从而以相对应的线段的斜率反正切值序列作为模式的逻辑表示 .在此基础上 ,设计出时序模式发现算法 ,此算法能够自动地发现所有 (子 )模式 .有关实验结果证明算法是行之有效的 .

神经网络与神经计算机

脑科学和神经系统的研究已经有很长的历史。长期以来,人们一直梦想着通过对神经系统的研究,发明一种仿效人脑信息处理模式的智能式计算机。自从四十年代冯·诺曼发明基于串行符号处理的数字电子计算机以来,虽然获得了巨大的成功,但在诸如模式识别、人工智能等方面都碰到极大的困难,促使人们以更大的兴趣去研究并行处理模式为特征的神经计算学。八十年代初,在美国、日本和欧洲,都掀起一股神经网络理论和神经计算机的研究热潮。各个先进国家都相继给出巨大的投资,制定出强化研究计划、开展对脑功能和新型智能计算机的研究。并着重将神经网络原理应用于图象处理、模式识别、语音综合及智能机器人控制等领域。目前,有关神经网络的研究机构,遍及美国各大学、公司及国防、宇航的研究部门。1987年6月在美国召开第一届神经网络国际会议、并发起成立国际神经网络学会(INNS)。之后,以IBM 公司、Bell 研究所和日本的富士通、NEC 等大公司,纷纷研制各种神经芯片、相继推出各种软件、硬件产品。为神经计算机的实现,迈出了第一步。神经网络的主要特征是:大规模的并行处理和分布式的信息存贮,良好的自适应性、自组织性。并且具有很强的学习功能、联想功能和容错功能。通过神经网络的研究,将对探索更加完善的智能计算机系统和相应的人工智能技术,开辟新的途径。目前,国外神经网络的研究热潮仍方兴未艾。为了向读者系统地介绍有关神经网络和神经计算机的基本理论、学习算法和应用技术。特开辟这个专题讲座。本讲座共分八讲。第一讲:神经网络模型。第二讲:神经网络的学习算法。第三讲:神经器件。第四讲:神经计算机。第五讲:光神经计算机。第六讲:神经网络在视觉信息处理中的应用。第七讲:神经网络在模式识别中的应用。第八讲:神经网络在机器人控制中的应用。

中文语音合成系统中的文本标准化方法

文本标准化是对输入文本进行分析 ,生成其中非汉字符号的拼音、节奏等信息的过程。本文提出了一种层次化的、基于外部规则的标准化方法 ,通过规则匹配识别这些符号 ,并给出各种正确信息。本文首先介绍了分析树的概念 ,其次给出构造规则的步骤 ,利用权值控制规则的匹配顺序 ,最后给出实验结果。实验结果表明 :这种方法具有很好的易维护性和可扩展性 ,开放测试的正确率达到 99 76 %。

神经网络与神经计算机 第三讲 神经网络的学习算法

学习功能是神经网络的主要特征之一。各种学习算法的研究,在神经网络理论发展过程中,起着重要的作用。从40年代Hebb 提出的学习法则,到60年代的感知机学习算法。

神经网络与神经计算机 第三讲 神经器件

3-1 概述人工神经网络的实现方法一般有四种:④专用神经器件,②利用专用处理器等实现神经网络的硬件结构,③软件模拟,④光计算机。本讲只讨论第一种方法,其它三种方法将在第四和第五讲讨论。目前,神经器件的研究分为两大类。