形态学联想记忆框架研究

形态学联想记忆(MAM)是一类极为新颖的人工神经网络.典型的MAM实例对象包括:实域MAM(RMAM)、复域MAM(CMAM)、双向MAM(MBAM)、模糊MAM(FMAM)、增强的FMAM(EFMAM)、模糊MBAM(FMBAM)等.它们虽有许多诱人的优点和特点,但有相同的形态学理论基础,本质上是相通的,将其统一在一个MAM框架中是可能的.同时,联想记忆统一框架的建立也是当前的研究重点和难点之一.为此作者构建了一个形态学联想记忆框架.文中首先分析MAM类的代数结构,奠定可靠的MAM框架计算基础;其次,分析MAM类的基本操作和共同特征,抽取它们的本质属性和方法,引入形态学联想记忆范式和算子;最后,提炼并证明主要的框架定理.该框架的意义在于:(1)从数学的角度将MAM对象统一在一起,从而能以更高的视角揭示它们的特性和本质;(2)有助于发现一些新的形态学联想记忆方法,从而解决更多的联想记忆、模式识别、模糊推理等问题.     

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.     

内连式复值双向联想记忆模型及性能分析

Lee的复域多值双向联想记忆模型(complex domain bidirectional associative memory,简称CDBAM)不仅将Kosko的实域BAM(bidirectional associative memory)推广至复域,而且推广至多值情形,以利于多值模式(如灰级图像等)间的联想.在此基础上,提出了一个新的推广模型:复域内连式多值双向联想记忆模型(intraconnected CDBAM,简称ICDBAM),通过定义的能量函数证明了它在同步与异步更新方式下的稳定性,从而保证所有训练样本对成为其稳定点,克服了CDBAM所存在的补码问题.计算机模拟证明了该模型比CDBAM具有更高的存储容量和更好的纠错性能.     

最小平方形态联想记忆模型的研究与实现

Ritter等人借助形态学理论提出了形态联想记忆模型（MAM Morphological Associatvie Memory)，其中所构建模型的两个权值矩阵和可分别用以回忆腐蚀和膨胀噪声模式，但不能回忆混合噪声模式，故本文提出了一个最小平方形态联想记忆模式（LSMAM least squares MAM)来克服MAM的不足，以达到既可分别识别腐蚀和膨胀噪声模式，也可以识别混合型噪声模式的目的，因此更适用于实际情形，实验结果表明了该方法的可行性。     

复数Curvelet 变换域复数高斯尺度混合图像降噪

提出了一种基于复数Curvelet 变换域复数高斯尺度混合（CGSM）模型的图像去噪方法．指出Curvelet 变换重构图像存在“划痕”和“嵌入污点”的主要原因是Curvelet 变换域存在频谱混叠,为此,采用复数小波变换和 改进的Radon 变换分别代替原Curvelet 变换中的实小波变换和Radon 变换．构造了具有抗混叠性能的复数Curvelet 变换．本文同时把高斯尺度混合（GSM）模型扩展到复小波域,形成对复小波系数的幅值和相位信息具有有效捕捉 能力的复数GSM 模型,并在复数Curvelet 变换域,采用贝叶斯最小平方（BLS）估计器对CGSM 模型下含噪复系数 进行有效估计,从而实现降噪．实验结果表明,无论是用PSNR 指标评估,还是在视觉效果上,本文方法的去噪性能 均好于传统Curvelet 去噪、Curvelet 域HMT 去噪和小波域BLS-GSM 去噪．本文方法在有效去噪的同时,具有很好 的图像边缘和细节保护能力．     

深度复数轴向自注意力卷积循环网络的语音增强

单通道语音增强任务中相位估计不准确会导致增强语音的质量较差,针对这一问题,提出了一种基于深度复数轴向自注意力卷积循环网络(deep complex axial self-attention convolutional recurrent network, DCACRN)的语音增强方法,在复数域同时实现了语音幅度信息和相位信息的增强.首先使用基于复数卷积网络的编码器从输入语音信号中提取复数表示的特征,并引入卷积跳连模块用以将特征映射到高维空间进行特征融合,加强信息间的交互和梯度的流动.然后设计了基于轴向自注意力机制的编码器-解码器结构,利用轴向自注意力机制来增强模型的时序建模能力和特征提取能力.最后通过解码器实现对语音信号的重构,同时利用混合损失函数优化网络模型,提升增强语音信号的质量.实验在公开数据集Valentini和DNS Challenge上进行,结果表明所提方法相对于其他模型在客观语音质量评估(perceptual evaluation of speech quality, PESQ)和短时客观可懂度(short-time objective intelligibility,S...     

基于非线性时序模型的神经网络图形识别方法

提出了复数域非线性指数自回归(CNEAR)图形轮廓建模方法.构造了用于CNEAR 模型参数估计的神经网络模型,利用该网络可解决非线性参数的估计问题.CNEAR模 型参数具有平移、旋转和比例不变性并与计算起始点的选择无关.基于模型参数构造了特征 向量,并设计了复数神经网络分类器,给出了复数神经网络学习算法.实验结果表明CNEAR 模型在较低阶次即能获得较高的识别率,CNEAR模型对带噪声图形及形状差别较小图形的 识别效果要好于复数域自回归模型方法.     

联想记忆神经网络的一个有效学习算法

提出一种新的联想记忆网络模型的有效学习算法,它具有下述特点:(1)可以全部存 储任意给定的训练模式集,即对于训练模式的数目和它们之间相关性的强弱没有限制;(2)最 小的训练模型吸引域达到最大;(3)在(2)的基础上,每个训练模式具有尽可能大的吸引域; (4)联想记忆神经网络是全局稳定的.大量的计算机仿真实验结果充分说明所提出的学习算 法比已有算法具有更强的存储能力和联想容错能力.     

一种新的形态学联想记忆网络模型研究

针对即使在输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,从扩大记忆矩阵的存储空间的角度入手,提出一种新的形态学联想记忆模型——三维存储矩阵的形态学联想记忆来刻画MAM(Morphological Associative Memories)的记忆性能。该模型能够弥补传统形态学联想记忆的记忆矩阵的不足,解决MAM在异联想时不能保证对模式对集实现完全回忆的问题。详细阐述了构建三维存储矩阵的原理与步骤,并通过实例验证三维存储矩阵的形态学联想记忆的记忆性能远远优于传统的形态学联想记忆。     

具有抗随机噪声能力的联想记忆网络

形态联想记忆网络具有良好的联想记忆功能和较强的抗膨胀或腐蚀噪声能力,但抗混合噪声的能力很弱.而在实际中,随机噪声往往是混合型的,既有膨胀又有腐蚀噪声,将尺度空间和形态联想记忆网络相结合,得到了一种新的联想记忆网络,它提高了形态自联想记忆网络的抗随机噪声能力.通过仿真实验验证了该方法具有良好的性能.     

基于知识发现的风险最小化授权模型

访问控制技术是网络信息系统安全的核心技术之一。针对开放式网络下基于信任访问控制问题中的授权需求,提出了基于知识发现的风险最小化授权(信任-权限)模型,对模型元素、关系、约束和规则、授权策略进行了形式化定义。RMAM-KD模型引入信任和风险的概念,对权限进行细粒度划分,将交互中涉及到的实体属性及其信任值和风险值作为授权判断的重要参考依据,并加入时间约束限制,能够更好地支持动态的授权机制。最后,给出了RMAM-KD模型授权的应用实例及安全性分析,表明RMAM-KD模型能够有效地保证对客体资源的安全访问。     

Mizumoto格值有限自动机及其最小化

提出取值为格半群的Mizumoto格值有限自动机的概念,得到基于模糊字符串的Mizumoto格值有限自动机的扩张模型,并详细讨论了其性质。同时建立了扩张Mizumoto格值有限自动机与标准扩张Mizumoto格值有限自动机的等价性,在此基础上给出了其最小化算法。     

复交替投影神经网络

首先对ＭarksII等人提出的交替投影神经网络进行了研究,将其应用范围从实数域拓广到复数域,并证明了其稳态收敛性,接着研究了复数域的中替投影神经网络（不妨称此情形下的网络为复交替投影响神经网络）,得到了几个有用结论,并从数学上对这些结构进行了严格证明,最后,为了验证文中物理分析的正确性,设计了一个仿真实验,仿真实验结果表明文中的理论与验结果完全吻合,实际上,复交替投影神秒仅可用于信号处理中的带限信号外推,还可用于选频,陷波等场合。     

基于VC++复数模板实现一般复矩阵的奇异值分解运算

Ｖｉｓｕａｌ　Ｃ＋＋以其方便的可视化集成编程环境,高效的代码实现功能,强大的基内库以及兼有低级语言可控制硬件操作的优点,成为一般工程项目的首选软件开发平台。涉及信号处理的实际工程常常需要处理复的数字信号,因此Ｖｉｓｕａｌ　Ｃ＋＋下如何实现复数运算是工程技术中软件开发必须面对的问题。该文详细阐述了ＶｉｓｕａｌＣ＋＋中利用复数模板实现复数运算的方法,给出了一些基本复数运算的实现代码;并基于该方法实现了算法已知的一般复矩阵的奇异值分解（ＣＳＶＤ）运算,很好地满足了实际工程信号处理软件模块的需要,证明了该方法的正确性。发现了 Ｖｉｓｕａｌ　Ｃ＋＋５．０和Ｖｉｓｕａｌ　Ｃ＋＋６．０一个声明的复数模板函数在其标准Ｃ＋＋库中没有具体实现,通过编写同名模板函数解决了这一问题。     

Region extraction from complex shapes

An algorithm is described which extracts primitive regions (i.e., convex, spiral shaped, and biconcave lens) from complex shapes. The interior region bounded by the shape is decomposed by first slicing it into a set of convex subregions and then rotating and dissolving the various boundaries between subregions until a satisfactory decomposition is obtained. The same algorithm also is used to decompose the exterior region between the shape and its convex hull. The algorithm has been implemented as an Algol-W computer program for the UNIVAC 90/80 and results of running the program are presented for a wide variety of complex shapes. These results compare favorably with the experience reported by previous programs.     

基于消息传递的概念格并行构造

作为形式概念分析的主要工具，概念格已在知识发现、软件工程等诸多领域取得广泛的应用。但是由于概念格自身的完备性：构造复杂性一直是困扰其进一步发展的一大难题。利用高性能并行计算机的计算与存储能力来构造和存储是解决这一问题的有效途径。首先介绍外延独立的同域概念格相关概念及其合并运算，在此基础上提出了一种基于MPI（Message Passing Interface）消息传递机制的概念格并行构造算法。分析表明，该算法是高效、可行的。     

Identification of linear, multivariable systems operating under linear feedback control

The possibility of estimating process parameters using input-output data collected when the system operates in closed loop is discussed in this paper. Concepts that are useful for a systematic treatment of the problem are introduced. The results refer to the case where the regulator is a linear feedback law or alternates between several such laws. It is shown that a straightforwardly applied identification scheme has the same identifiability properties as the more complex method in which the parameters of the closed-loop system are estimated first. It is also shown that it is always possible to achieve the same identifiability properties as for open-loop systems by shifting between different linear regulators. The required number of regulators depends only on the number of inputs and outputs. The results obtained are illustrated by a numerical example.     

A Simple Filter Algorithm for Gene Expression Profiling Data

ene expression profiling with microarrays is a promising method to identify groups of genes, which are likely to differentiate between complex diseases, such as severe malignancies.1, 2 One problem, besides the well-known sample preparation and hybridization challenge3 is the abundance of experimental results (typically thousands of oligonucleotide probes) for a small number of clinical samples (typically 10 to 100). Since traditional statistics require large data sets and are often tedious, I looked for a simpler and widely applicable filtering approach.The method is based on observations obtained with artificial neural nets (ANN), which we are using for the classification of tumor genes in a similar way as described by Khan, et al.2 An ANN in its simplest structure calculates the relationships between input patterns and their respective output classes using weight factors (Fig. 1). The higher the weight, the higher is the contribution of an input signal to the observed output pattern.