具有适应度选择调整策略的混沌遗传算法及其应用

针对遗传算法在非线性系统优化问题中易陷入局部最优，且大量研究改进后仍存在不足的问题。根据混沌运动的结构特点，提出了一种解决非线性系统优化问题的混沌遗传算法（CGA，Chaos Genetic Algorithm）。该算法将混沌变量引入遗传算法的优化变量中，使两者的取值范围相互映射，利用更新后的混沌变量转换为“染色体”进行遗传操作，同时根据适应度大小选择需要附加混沌扰动的群体，使变异操作具有导向性，经过多次进化，得出问题的最优解。仿真实验利用多种测试函数和相似的智能优化算法进行对比验证。结果表明，该算法保证了非线性系统优化问题动态响应的速度和寻优结果的精度，定量的评价了混沌遗传算法的优化效果。     

实习基地建设与人才培养的探讨

阐述了实习教学基地的建设及为提高学生的实践动手能力进行的实习教学改革所做的工作,并给出了一些建设性的建议。     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

基于改进分水岭算法的粘连大米图像分割

大米检测过程中大米图像籽粒粘连给后续大米检测、分析等处理带来较大困难,为此提出了一种有效的改进分水岭分割算法,先对二值图像采用不同的结构元素作极限腐蚀形成不同的距离图,再对这些距离图分别利用分水岭算法得到分水岭图像,最后提取真实分水岭得到最终分割图像,并与其它分水岭算法相比较。实验结果表明,该算法既能更有效地分割粘连颗粒,又能有效地抑制过分割现象。     

一种基于神经网络的模糊推理方法

对于Zadeh的模糊关系合成法则（简称CRI方法），选择一个适宜蕴涵关系矩阵是至关重要的。通常蕴涵关系矩阵的元素值是通过一个所构造的数学表达式计算的，或是由领域专家凭经验直接给出。然而，有时，特别是对于后一种情形，CRI法不能满足模糊推理最基本的一致性要求。文章构造了一个神经网络用于模糊推理，新方法不仅是CRI方法的推广，而且远比CRI方法易于满足推理的一致性要求。得益于神经网络的长处，新方法具有灵活性、可调性。文章给出了权值的具取值法。     

基于图像清晰度评价的摄像头辅助调焦系统

提出一种新的图像清晰度(包括锐度和对比度)评价函数,对比传统的图像清晰度评价算法,新算法速度最快且准确,以及和功率谱算法一样优良的灵敏度,适合各种实时自动对焦系统.本文使用一系列不同程度的离焦图片演示了所有算法的性能。同时将新算法应用于一种实际的摄像头模块辅助调焦系统中,系统把采集的每帧图像实时显示在屏幕上,用新算法评价图像的清晰度,从而指导作业员对摄像头模块进行调焦。实践表明该摄像头辅助调焦系统在批量生产摄像头模块时对提高生产效率和稳定质量方面有很大作用。     

基于爱因斯坦t-模的模糊联想记忆的学习算法

为神经网络提供有效学习算法是神经网络研究的关键问题。文章利用t-模的伴随蕴涵算子,为基于Max和Tes合成的模糊联想记忆网络Max-TesFAM提供了一种新的学习算法,此处Tes是由爱因斯坦提出的一种t-模算子。从理论上严格证明了,只要Max-TesFAM能完整可靠地存储所给的多个模式对,则该新的学习算法一定能找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者。最后,用实验说明了所提出的学习算法的有效性。     

一种基于主色调匹配的图像检索方法

在基于内容的图像检索中，颜色作为图像的一种重要视觉信息已得到广泛的应用，主色调可以反映一幅图像的基本面貌，其实质就是用较少的颜色来表示原图像，并且在视觉上与原图像相似，由此，在均匀颜色空间中利用聚类分析的方法将色彩聚类为几种主要颜色，从而实现对颜色的量化，并利用直方图表示主色信息，最后采用直方图交叉算法进行图像的相似度匹配，取得了满意的实验效果。     

多重多维模糊推理算法的连续性和逼近性

针对多重、多维模糊推理情形,细致地研究了几类模糊推理算法是否满足连续性和逼近性,并进一步讨论了这几类算法对逼近误差的传播性能。把模糊推理算法看成是一个模糊集合到另一个模糊集合的映射,选用海明距离作为两模糊集的距离度量方法,证明了在模糊假言推理和模糊拒取式推理情形,几类多重多维模糊算法都拥有连续性。当多重多维模糊算法满足还原性时就具有逼近性;该模糊算法都不会放大逼近误差。结果对构建模糊控制系统和模糊专家系统时选用和分析模糊推理算法有一定的指导作用。     

一种有效的Gk-prototypes聚类算法

针对传统的聚类算法对初始聚类中心敏感、只能对单一属性聚类且聚类效果有时欠佳等不足,提出了一种能处理数值属性和分类属性的Gk-prototypes聚类算法。在经典的k-prototypes聚类算法的基础上,利用去模糊相似矩阵来构造粗粒子集,结合粒计算和最大最小距离法确定初始聚类中心,并改进了目标函数。实验结果和理论分析表明,Gk-prototypes聚类算法与其他基于k-prototypes的改进算法相比,聚类更准确,有效性更好,鲁棒性更强。