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。计算机仿真结果表明改进后的非对称学习算法AFC可以有效克服原有算法的不足并具有较高的收敛速度。     

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便棒预测,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。实现表明,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。     

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，SIE均可获得优化或近似优化的重构质量．     

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。     

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。     

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。     

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．     

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。