具有自学习和自进化能力的人工鱼模型设计

将人工神经网络方法引入到“人工鱼”系统中，控制人工动物的行为，使人工动物成为更加自主的和智能的角色。同时，利用遗传算法，解决人工鱼的先天遗传进化和后天的学习进化的结合问题。     

个体软件人情感控制模型研究

“情感”对行为具有智能控制作用，REB模型为理智情感行为模型，软件人的情感智能控制体系由感知、情感与理智、行为3个部分组成。该文引入了Erf、Ecf 2个内部状态参数，分析了它们在个体软件人情感控制中的作用。试验结果表明：Erf、Ecf对个体软件人的情感控制有影响，并且Ecf比Erf的作用更明显一些。这一结果符合人类自身情感控制的实践。     

基于多Agent的人工鱼群自组织行为算法

在基于认知的人工鱼行为模型的基础上，增加实现鱼群个体间通信及鱼群与环境交互的互操作行为模块，建立面向群体行为的人工鱼体系结构与模型。提出了一种基于多Agent的人工鱼群自组织行为的研究方法：将基于这种体系结构的人工鱼作为Agent，其能感知环境信息，产生意图，规划行为。建立鱼群中Agent的运动、捕食、逃逸模型，通过个体间的相互作用涌现出群体的自组织行为，从而实现对鱼群的逼真模拟。     

一种基于XML的异构数据集成平台研究

异构数据集成为不同自治、异构、分布的数据提供一个统一的全局数据视图。本文提出一种数据仓库-中介器数据集成方案，引入数据缓冲机制，将历史数据存入中心数据库中，频繁访问的静态数据写入数据缓冲区，提高了异构数据查询的效率。     

“情感软件人”模型研究

为丰富软件人的拟人特性，使软件人具有情感特色，本文提出一种情感软件人模型的总体架构。模型中考虑了认知在软件人的情绪及行为选择中的作用；用模糊形式描述软件人的情绪评估。为了描述软件人在相同情绪时，其触发原因相异而导致行为不同，软件人的行为模型采用“案例＋智能搜索”的模式，整个系统的实现采用Model—View—Controller（MVC）的设计模式。     

基于XML结构相似性的名老中医病例聚类分析*

针对名老中医病例的结构特点,设计了一种基于模拟退火的聚类算法对数据库中病例聚类进行全局优化.病例聚类时,根据一般意义的树间编辑距离,提出一种用于判断XML描述的病例之间是否相似的度量(称为XML编辑距离).利用XML编辑距离,可将XML数据间相似性度量的时间复杂度限制在多项式级,且能保持病例的XML描述文档的节点语义信息和节点间的祖孙嵌套关系.最后,在Tamino数据库上进行实验,结果证实了基于模拟退火的病例聚类算法在名老中医数据挖掘实践中的可行性和有效性.     

人工鱼群高级自组织行为研究

在Tu Xiaoyuan和John David Funge研究工作的基础上, 进一步研究人工鱼群的高级自组织行为. 基于个体人工鱼的行为模型, 提出一种基于认知的人工鱼群高级行为自组织方法. 该方法中, 每条人工鱼被看作一个agent. 通过感知外部虚拟环境信息, agent产生行为意图. 人工鱼群的自组织行为通过多个agent间的相互作用涌现形成, 如人工鱼群的运动、捕食、逃逸等行为规划, 从而体现自然鱼群的生物特性, 实现对自然鱼群高级行为的逼真模拟. 我们设计和实现的基于认知的人工鱼群动画系统, 测试验证了所提出的高级行为自组织方法的有效性.     

基于强化学习的浓密机底流浓度在线控制算法

复杂过程工业控制一直是控制应用领域研究的前沿问题. 浓密机作为一种复杂大型工业设备广泛用于冶金、采矿等领域. 由于其在运行过程中具有多变量、非线性、高时滞等特点, 浓密机的底流浓度控制技术一直是学界、工业界的研究难点与热点. 本文提出了一种基于强化学习技术的浓密机在线控制算法. 该算法在传统启发式动态规划 (Heuristic dynamic programming, HDP)算法的基础上, 设计融合了评价网络与模型网络的双网结构, 并提出了基于短期经验回放的方法用于增强评价网络的训练准确性, 实现了对浓密机底流浓度的稳定控制, 并保持控制输入稳定在设定范围之内. 最后, 通过浓密机仿真实验的方式验证了算法的有效性, 实验结果表明本文提出的方法在时间消耗、控制精度上优于其他算法.     

基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和神经网络预测方法的预测精度高,可以很好地应用于某些非平稳时间序列的预测中.     

基于深度学习的宫颈癌异常细胞快速检测方法

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度。