用MOS－DYL工艺结构实现模糊逻辑功能

为了在同一芯片上构造一种高速的模糊逻辑单片系统，本文采用电压型ＤＹＬ工艺与电流型ＭＯＳ工艺相结合的方法，设计了９种实现模糊逻辑基本功能的电路，并通过实验证明其可行性。

一种高速模糊控制器的硬件设计

本文采用了先进模糊规则算法，提出了一种以ＭＯＳ－ＤＹＬ集成电路为基本电路的模糊控制器的设计方法，设计了一种用ＭＯＳ电流镜的电流型电路和ＤＹＬ电压型电路互相兼容在一块芯片上高速的模糊逻辑硬件系统。研究结果证明，其速度可达２×１０７ＦＩＰＳ（每秒模糊逻辑推理次数）。

一种新的基于粗糙集的值约简算法

对粗糙集(Rough Set)理论中属性约简和值约简算法进行了研究，提出了一种新的基于粗糙集的值约简算法。实验表明，该算法所得结果比目前通用的基于粗糙集的值约简算法更简化和有效，它可以应用到各种与值约简相关的实际问题中。

Web日志中有趣关联规则的发现

关联规则挖掘是Web用法挖掘的一个重要研究课题 目前的Web日志关联规则挖掘算法忽略了用户对规则是否感兴趣这一重要问题 对Web日志关联规则挖掘算法进行了研究 ,结合网络拓扑结构 ,提出了Web拓扑概率模型和有趣关联规则 (IAR)算法 利用Web拓扑概率模型对关联规则进行有趣度评价 ,得出有趣度高的规则 ,用于改善网络性能 实验显示了IAR算法如何提高规则的利用率和有效地改善网络拓扑

时间序列数据的分段线性表示

在时间序列分段线性表示(PLR)基础上,提出一种新的基于特征点的分段方法,克服采用单一误差算法的模型失配问题,更加准确地反映过程状态的变化。

数据融合与数据挖掘的集成研究

数据挖掘和数据融合是两种分析处理海量数据、提取有用知识的技术。两者的目标和原理各不相同,但功能上相互补充,可进行深层次的结合渗透,有效地完成复杂的数据分析工作。该文利用数据挖掘与数据融合技术的特点,综述了两种技术的研究成果,探讨了两种技术深层次集成的基本方案及思路。

基于特征词关联性的同义词集挖掘算法

一词多义和多词同义是语言中广泛存在的现象,它给自然语言处理带来了很多困难,解决这个难题的有效办法是建立包含上下文信息的同义词集。深入分析了概念、词汇和特征词三者的内在关系,并在此基础上提出了一种基于同义词汇的特征词的关联性,从文本中挖掘同义词集的算法。根据特征词之间存在关联性的特点,算法以成熟的关联规则挖掘算法作为基础,获得了明显优于同类算法的实验效果。算法获得的同义词集附带上下文信息,可有效解决文本中词汇的多义性和同义性问题。

不确定时态信息表示及时态运算的扩展

时态信息表示和查询是时态数据库的研究重点,但现有的时态数据库模型在处理不确定时态信息方面仍存在较大困难。而现实生活中很多时态信息都是不确定的,故提出了一种不确定时态信息的表示方法,并扩展时态运算使其支持不确定时态信息的处理和查询,从而扩展了时态数据库的适用范围。

股票数据流的相关性计算方法

相关性分析在股票投资、监测、预测中起着非常重要的作用.为定量计算各股票间的相关性,文中提出了一种股票数据流的相关性计算方法,它基于高效的单遍数据集扫描算法,能在有限的内存空间中计算出各股票间的相关性.与传统的计算方法相比,不管是在空间复杂度还是在时间复杂度上,所提出的方法都只需付出更小的代价.实验证明,这种相关性计算方法在同步股票报价中是有效的.

PFTM:一种基于投影的频繁子树挖掘算法

频繁子树在Web挖掘、XML文档分析、生物信息处理等领域有着重要的应用。提出了一种新的基于投影的频繁子树挖掘算法(PFTM),通过对数据库和候选节点集进行投影,并采用递推式候选节点集更新技术来有效地压缩搜索空间,以高效地从森林中挖掘出频繁子树。PFTM不需要产生候选子树。性能对比实验表明,PFTM是有效和可扩展的,而在算法效率上,PFTM要比FREQT平均高出40％左右。

不确定时态信息表示的统一模型

时态信息表示和推理是人工智能研究中的一个重要课题,现有的模型大多只能表示确定时态信息,然而现实生活中很多事件的发生结束等时态信息都是不确定的。故提出了一个表示不确定时态信息的统一模型,可用于描述各种具有确定或不确定时态信息的事件。该模型首先定义各类时态对象(如时间点、时间区间)以及它们之间的关系,并给出时态对象间的传递关系表,利用该表能进行时态一致性约束满足问题的求解。最后,给出了两个不确定时态推理的例子,表明了该模型的实际应用意义。

基于关键词聚类和节点距离的网页信息抽取

大部分网页信息抽取方法都针对特定的网站,例如基于网站抽取规则和基于训练网页样例的方法。这些方法在某一个网站上可以很好地应用。但当遇到新的网站时,必须人为地增加抽取规则或者提供新的训练网页集。而且,当网站的模版改变时,也要重新设计这些规则或重新输入训练网页集。这些方法难以维护,因此不能应用到从大量不同的网站上进行信息抽取。本文提出了一种新的网页信息抽取方法,该方法基于特定主题的关键词组和节点距离,能够不加区分地对不同的网站页面信息自动抽取。对大量网站的网页进行信息抽取的实验显示,该方法能够不依赖网页的来源而正确和自动地抽取相关信息,并且已经成功应用到电子商务智能搜索和挖掘系统中。

基于主题的文档检索模型

现有文档检索模型大多缺乏语义学习能力,难以从主题层次上学习文档相似性.为此,文中提出了一种基于主题的文档检索模型TDRM.TDRM为所有文档建立公共主题空间,把每篇文档表示为公共主题空间中的一个向量,用向量夹角余弦定义文档相似度,并利用Latent Dirichlet Allocation学习每篇文档的主题分布.实验结果表明,与基于TextTiling和二分图最佳匹配的文档相似模型相比,TDRM在相似文档检索方面有更高的平均查准率和平均查全率,且平均查准率和平均查全率的调和平均数约高出参考模型44%.

基于词序列频率有向网的中文组合词提取算法

随着人类知识体系的不断拓展和深化,很多组合词(多个词或语素组成的词)被创造出来用于表达新的概念。由于无法及时把组合词收录进词库,分词系统无法识别它们。为此,从文本中提取组合词成为智能计算领域的一个热门的研究方向。借鉴人类的认知心理模式,提出一种基于词序列频率有向网的组合词抽取算法,以识别自由文本中的组合词。算法首先建立描述文本中的词序列出现频率的有向网,然后通过独特的矩阵运算,逐步把组合词提取出来。算法的优点是无须借助专业的语言知识,在实验分析中,算法显示了较好的效果。

一种双边多议题自治协商模型的研究

针对电子商务应用,该文提出一种双边多议题自治协商模型。该模型用几种向量对协商议题进行形式化描述;定义两种效用评价函数刻画效用评价机制;引入贝叶斯决策理论,实现协商过程agent自学习;对传统合同网协议进行扩展,用于控制双方的协商交互;结合agent自学习,给出了3种提议策略。实验表明该模型是有效的,具有较强的实用性。

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进动态递归的生成训练数据,利用混沌特性处理样本及优化网络结构,用递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测,其结果与已有网络模型预测的结果相比较,精度有很大提高。因此,证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。

基于相空间重构理论与递归神经网络相结合的股票短期预测方法

根据股票指数时间序列复杂的非线性特性,提出以相空间重构理论与递归神经网络相结合的股票短期预测新方法。以相空间重构理论确定最佳延迟时间和最小嵌入维数,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进递归的生成训练数据进行短期预测,提高了预测精度和稳定性。该方法应用于沪市股票综合指数预测,其结果与传统的单纯用BP网络模型预测的结果相比较,精度大大提高,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。

模块化神经网络的系统结构和学习算法

提出了一种基于模块化的神经网络的系统结构和学习算法,它通过用分解判定子模块对输入向量的适当分区域、由合成子网将各区域的结果合成,实现了复杂任务的自动分解判定和模块化训练策略。一般函数逼近和三维墨西哥草帽等2个实现表明,该文提出的结构和算法是可行的、有效的;与非模块化神经网络技术相比,提高了训练速度、改善了网络性能,它具有并行性高、通用性强、对新增样本易于学习、便于硬件实现等特点。

一种新的快速挖掘用户导航路径算法

对用户导航路径挖掘算法进行了研究 .结合多线程并行访问技术 ,提出了一种快速导航路径 (FNP)算法 .试验测试的结果显示 ,FNP算法比著名的WAP算法性能和效果有很大的提高 .

一种基于主题词集的自动文摘方法

提出一种基于主题词集的文本自动文摘方法,用于自动提取文档文摘。该方法根据提取到的主题词集,由主题词权重进行加权计算各主题词所在的句子权重,从而得出主题词集对应的每个句子的总权重,再根据自动文摘比例选取句子权重较大的几个句子,最后按原文顺序输出文摘。实验在哈工大信息检索研究室单文档自动文摘语料库上进行,使用内部评测自动评估方法对获得的文摘进行评价,总体F值达到了66.07%。实验结果表明,该方法所获得的文摘质量高,较接近于参考文摘,取得了良好的效果。