基于互信息的RBF神经网络结构优化设计

以设计最小RBF网络结构为着眼点,提出了一种基于互信息的RBF神经网络结构优化算法.该算法用k近邻统计法估计隐节点输出矩阵与输出节点输出矩阵之间的互信息,获得每个隐节点与输出节点之间的相关性度量,删除相关性最小的隐节点,进而达到优化网络结构的目的.该算法具有自恢复机制,在简化网络结构的同时能有效保证网络的信息处理能力.在人工数据集和真实基准数据集上的仿真实验验证了该算法的有效性与稳定性.     

用遗传算法优化神经网络结构

本文介绍了一种用遗传算法对神经网络和连接权值同时优化的方法，该神经网络的神经元节点可以一定程度地反馈连接，再通过基因链矩阵把神经网络的结构完整地表示，遗传进化学习后，最优个体是结构最优的神经网络，使用该方法可以设计出结构未知的神经网络，本文最后对ＸＯＲ问题进行了计算。     

神经网络结构分析与BP算法修正

对神经网络拓扑结构进行了分析，采用通过减少网络节点漳的连接权值进而减少网络节点来实现网络结构优化的策略，由此提出了ＢＰ算法的修正公式和确定网络优化结构的方法，并对线性稳态系统物和线性动态系统两个实例进行了应用验证，取得了较好的结果，理论分析和应用实践证明提出的网络结构优化方法的可行性。     

使用社区结构信息的子图匹配算法优化方法*

子图匹配是图数据查询处理技术中的一个重要研究问题。针对现有子图匹配算法运行效率不高且缺乏通用优化方法的现状,提出一种基于社区结构的子图匹配算法优化方法(community structure based subgraph matching optimization method,CSO)。首先,提出两种优化策略,即解析模式图信息以减少子图匹配过程的计算量,以及利用社区结构信息在子图匹配过程中进行剪枝;然后,结合上述两种优化策略提出基于社区结构的子图匹配算法优化方法,并进行了理论分析。真实数据集和合成数据集上的大量实验结果表明,CSO方法能有效减少子图匹配算法的时间开销。同时,不同规模数据集上的实验结果验证了CSO方法良好的可扩展性。     

一种基于FCMAC神经网络的优化方法

提出了一种利用FCMAC(Fuzzy Cerebellar Model Articulation Controller)神经网络进行优化的方法。该方法由学习过程和优化过程两部分组成。对于许多没有模型可参考的实际过程，使用该方法只需要传感器的观测信息就能进行优化。仿真结果证明了该方法的有效性与优越性，进而提出了在实际应用中进行优化的一种方案。     

一种自适应构造神经网络的新方法

目前,神经网络在很多学科领域中得到广泛的应用,但是有些问题至今仍未能获得令人满意的解决方法,如何确定合适的网络结构便是其一。该文根据生物神经元状态变化导致人脑空间结构和状态变化这一原理,提出了一种自适应构造神经网络的新方法。该方法在学习过程中根据性能指标下降幅度来决定增加或减少隐含层节点数,从而起到结构优化的作用。仿真结果表明,该方法是可行的、有效的,为神经网络结构优化提供了一种新方法。     

基于KOHONEN神经网络的模拟退火算法

本文提出了一种基于分布式知识的广义优化方法----基于KOHONEN神经网络的模拟退火算法。采用人工神经网络积累搜索区域信息,利用其学习的分布式寻优知识指导搜索过程的优化。研究了各种优化策略,给出了算法流程和结构框图。典型算例的仿真研究结果显示了新算法在寻优性能上的优越性。     

基于设计结构矩阵的辅助优化系统

传统结构优化建模方法对设计人员的能力要求较高,而现有辅助优化建模工具的通用性不强,导致复杂工程优化问题的模型建立十分困难,因此提出一种通用性较强的辅助优化建模方法.该方法将设计结构矩阵(Design Structure Matrix,DSM)思想引入优化模型的建立过程中,利用DSM结构形式和算法的优点方便有效地从复杂工程问题中提取优化模型并给出合理的优化流程.基于Excel的VBA语言开发辅助优化建模工具,快速准确地提取优化模型,并通过与优化软件Isight的接口程序自动将参与优化设计的模块映射成合理的优化流程图.采用燃气轮机支架结构的优化设计问题验证该辅助优化建模工具,并取得良好效果.     

非负子空间聚类指导下的非负矩阵分解

非负矩阵分解作为一种有效的数据表示方法被广泛应用于模式识别和机器学习领域。为了得到原始数据紧致有效的低维数据表示,无监督非负矩阵分解方法在特征降维的过程中通常需要同时发掘数据内部隐含的几何结构信息。通过合理建模数据样本间的相似性关系而构建的相似度图,通常被用来捕获数据样本的空间分布结构信息。子空间聚类可以有效发掘数据内部的子空间结构信息,其获得的自表达系数矩阵可用于构建相似度图。该文提出了一种非负子空间聚类算法来发掘数据的子空间结构信息,同时利用该信息指导非负矩阵分解,从而得到原始数据有效的非负低维表示。同时,该文还提出了一种有效的迭代求解方法来求解非负子空间聚类问题。在两个图像数据集上的聚类实验结果表明,利用数据的子空间结构信息可以有效改善非负矩阵分解的性能。     

基于自适应递阶遗传算法的神经网络优化策略

基于递阶结构的遗传算法可以同时对多层前向神经网络进行结构优化和权重求解。与基本的遗传算法相比，这种算法不仅在权重训练方面更加快速稳定，而且能在学习过程中确定网络的拓扑结构，具有较高的学习效率，而在遗传过程中采用自适应的交叉和变异概率能有效加快遗传速度和避免早熟现象的出现。     

融合类别和结构信息的多尺度协同耦合度量学习方法*

针对不同尺度空间集合中数据样本无法直接匹配的问题,提出融合类别和结构信息的多尺度协同耦合度量学习方法.首先将类别信息作为主要监督信息,样本分布结构信息作为辅助监督信息,构建相关关系矩阵.然后基于该相关关系矩阵构建线性和非线性最优化目标方程,通过最优化目标方程求解将不同尺度数据集合中的数据样本变换至尺度统一的公共空间,最终实现不同尺度空间中数据样本的度量.人脸识别的实验表明,多尺度空间的非线性协同耦合度量是一种有效的度量方法,运算简单方便,能够获得较高的识别率.     

大规模有限元刚度矩阵存储及其并行求解算法

本文提出一种将有限元单元刚度矩阵直接集成压缩格式的总体刚度矩阵的方法,并针对其线性系统设计了预处理的重启动GMRES(m)并行求解器.集成方法使用了一个“关联结点”的数据结构,它用来记录网格中节点的关联信息,作为集成过程的中间媒介.这种方法能减少大量的存储空间,简单且高效.求解器分别使用Jacobi和稀疏近似逆(SPAI)预条件子.二维和三维弹性力学问题的数值试验表明,在二维情形下,SPAI预条件子具有很好的加速收敛效果和并行效率;在三维情形下,Jacobi预条件子更能减少迭代收敛时间.     

局部敏感非负矩阵分解

非负矩阵分解是一种新的基于部分学习的矩阵分解方法,反映了人类思维中局部构成整体的概念。算法只将非负矩阵近似地分解成两个非负矩阵的积,忽略了数据几何结构和判别信息。提出了一个局部敏感非负矩阵分解降维算法来克服这一缺点。该算法既保持了数据非负性,又保持了数据的几何结构和判别信息。构造了一个有效的乘积更新算法并且在理论上证明了算法的收敛性。ORL和Yale人脸数据库实验表明该算法性能超过许多已存在的方法。     

直接三维重建研究

本文提出了一个基于多结点插值样条和有限级数展开法的直接三维图像重建方法。该重建算法可以充分利用被重建物体的先验三维信息。对于减少稀疏系数矩阵的维数问题，本文也作了研究，实验结果证明了本方法是可行的。     

基于视觉伺服的自主微装配方法

研究基于视觉伺服的自主微装配方法,为实现深度信息估计,提出一种基于马尔可夫随机场的散焦特征参数模型,将散焦特征深度信息的估计转化为能量函数的优化问题,采用Broyden 图像雅可比矩阵实现视觉伺服控制。通过微夹钳自动定位与夹取实验,验证了该方法的有效性。     

基于绝对信息量的覆盖增量约简算法

在保持覆盖上下近似算子不变的情况下,探讨覆盖约简算法。通过定义绝对信息量和信息量,引入相邻矩阵等概念,提出基于绝对信息量的覆盖增量约简算法。实例表明,该方法是一种能够去除覆盖中绝对冗余知识的有效方法。     

基于Log-Gabor小波和二维半监督判别分析的人脸图像检索*

针对光照、表情变化给人脸识别造成的影响以及大型人脸图像库的训练样本中只有部分标记的问题,结合多通道Log-Gabor小波和半监督流形学习算法,提出一种新的人脸图像检索方法。该方法首先使用Log-Ga-bor小波对人脸图像进行滤波获得特征矩阵,进一步利用提出的二维半监督流形学习算法进行维数约简,得到低维判别特征。由于该方法直接作用于Log-Gabor特征矩阵,克服了小样本带来的奇异问题;另外,通过充分利用标记和未标记信息,还保留了数据的局部流形结构,增强了特征匹配的相似性。在CMU PIE和AR人脸数据库上的实验结果表明,该方法有效且优于其他方法。     

采用布尔矩阵不完备信息系统的属性约简

对于不完备信息系统完备化问题,现在常采用的方法是数据补齐法和扩充法,在研究和分析了其优劣后,提出一种完全依据信息系统提供的信息来产生布尔可辨矩阵的方法。给出一个基于对布尔可辨矩阵进行化简的求属性约简（或最小属性约简）的高效算法。     

A new decentralised controller design method for a class of strongly interconnected systems

In this paper, two interconnected structures are first discussed, under which some closed-loop subsystems must be unstable to make the whole interconnected system stable, which can be viewed as a kind of strongly interconnected systems. Then, comparisons with small gain theorem are discussed and large gain interconnected characteristics are shown. A new approach for the design of decentralised controllers is presented by determining the Lyapunov function structure previously, which allows the existence of unstable subsystems. By fully utilising the orthogonal space information of input matrix, some new understandings are presented for the construction of Lyapunov matrix. This new method can deal with decentralised state feedback, static output feedback and dynamic output feedback controllers in a unified framework. Furthermore, in order to reduce the design conservativeness and deal with robustness, a new robust decentralised controller design method is given by combining with the parameter-dependent Lyapunov function method. Some basic rules are provided for the choice of initial variables in Lyapunov matrix or new introduced slack matrices. As byproducts, some linear matrix inequality based sufficient conditions are established for centralised static output feedback stabilisation. Effects of unstable subsystems in nonlinear Lur'e systems are further discussed. The corresponding decentralised controller design method is presented for absolute stability. The examples illustrate that the new method is significantly effective.