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。     

复形态双向联想记忆网络及其性能分析

基于复数环(C,∨,∧,+)提出了复形态双向联想记忆网络模型,给出了神经网络实现双向完全联想记忆的条件,并分析了自联想的存储能力、稳定性和收敛性及神经网络的抗噪声能力.当复数虚部取零时即为实数,实数域形态双向联想记忆网络就是复数域形态双向联想记忆网络的特例.最后通过仿真实验验证复形态双向联想记忆网络的有效性.     

220kV变电站接地散流事故研究

针对某变电站雷击导致绝缘子炸裂事故进行分析和研究,通过现场勘查分析,事故原因主要是由于避雷针接地问题导致。提出增设均压环、避雷针接地体进行冲击优化以及避雷针接地体与主接地网进行连接等措施,同时采用实验室高压试验和ATP仿真软件分别对均压环均压效果和连接主接地网降低残余过电压进行验证。结果表明,均压环能够有效的改善绝缘子串的电压分布,避雷针接地与主接地网连接很大程度上降低避雷针残余过电压。降低变电站雷击事故的发生,提高电力系统的供电可靠性。     

普通高校成人教育人才培养问题与对策研究

深入分析当前普通高校成人教育人才培养中存在的问题与面临的现实挑战。针对普通高校成人教育人才培养面临的问题，提出普通高校成人教育人才培养方案的改革措施，重在结合地方特色与市场需求走出一条“产学研”合作的教育模式，以提高普通高校成人教育的办学水平和质量。     

在Web上实现一对多关系的动态数据绑定

为了解决Web应用中的数据访问,尤其是网络应用中所涉及到的一对多关系的数据处理,文中介绍了ADO.NET的结构及功能,以及如何用ASP.NET中的DataGrid 控件在ADO.NET的基础上来解决这个问题.DataGrid控件是Visual Studio.NET开发工具下的一个Web窗体控件,它具有数据动态绑定特性.文中用大量详尽的代码介绍了DataGrid控件在Web上实现一对多关系的动态数据绑定的应用.结果证明,用DataGrid控件就能很好地在Web上实现一对多关系的动态数据绑定.     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法，突破了传统模式识别方法的局限，使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块，实验结果表明该系统具有较高的识别率和较强的实用性。     

基于三维轴距的图像去噪算法

图像去噪是图像处理邻域的重要课题,该文在3维直方图的基础上定义图像的3维轴距,分析无噪声及椒盐噪声影响下图像3维轴距的分布特点,提出基于3维轴距的去噪算法。算法首先对图像进行边沿扩展,再利用3维轴距来检测噪声,最后用非噪声中值滤波来消除噪声。仿真比较了3维轴距去噪算法与中值滤波、自适应开关中值、快速自适应均值滤波、修正方向加权中值滤波和自适应模糊开关中值滤波算法的去噪性能,结果证明该文算法的有效性。     

基于三角模的模糊双向联想记忆网络的性质研究

基于模糊取大算子和三角模T的模糊合成,构建了一类模糊双向自联想记忆网络Max-T FBAM.利用三角模T的伴随蕴涵算子,为这类Max-T FBAM提出了学习算法,并理论上证明了该学习算法确定的连接权矩阵是网络最大的连接权矩阵.对任意输入能使Max-T FBAM迭代一步内就进入稳定态,该类网络具有全局稳定性和可靠的存储能力.当三角模T满足利普希兹条件时,采用上述学习算法时自联想Max-T FBAM对训练模式的摄动全局拥有好的鲁棒性.最后用实验证实了理论研究,也为图像的可靠存储提供了参考.     

模糊双向联想记忆网络的有效学习算法

基于模糊取大运算和爱因斯坦S-模提出新的模糊双向联想记忆网络模型（Max—SesFBAM），并为该网络提出了一种新的学习算法。在理论上严格证明了，任意给定的模式对集，只要存在有连接权矩阵对使其为Max—SesFBAM的平衡态集，则依该学习算法所确定的连接权矩阵对（W^-，U^-）是所有这样的连接权矩阵对中的最大者；且该最大连接权矩阵对能使Max—SesFBAM对任意输入在一步内就进入平衡态。     

训练模式摄动对模糊形态学联想记忆网络的影响

众多学者研究的两类形态学联想记忆网络的存储能力、抗腐蚀/膨胀噪声的能力等性质几乎都相同。但是文中研究发现两类网络对训练模式摄动的鲁棒性差异很大。一类对训练模式摄动拥有好的鲁棒性,而另一类则较差。该研究结论能为形态学联想记忆网络的学习算法选择和训练模式采集设备的精度要求提供指导,对前期训练模式的获取过程提供警示。