两种基于图论的聚类算法改进(英文)

近年来,基于图论的聚类算法被广泛地应用在数据聚类和图像分割之中。聚类任务主要是挖掘一组给定数据隐含的分布规律和结构信息,而图像分割则是将一幅图像划分为若干互不交迭区域的过程。主要讨论两种比较流行的基于图论的聚类算法,即基于有向树的数据聚类算法和基于最小生成树的图像分割算法。创新在于:(1)改进基于有向树的数据聚类算法,将其应用于图像分割;(2)改进基于最小生成树的图像分割算法,将其应用于数据聚类。在人工数据和实际图像数据上的实验结果表明,改进的有向树算法可以很好地分割图像并保留图像中足够的细节,而改进的最小生成树聚类算法能比较好地聚类具有流形结构的人工数据。     

X线乳腺图像中微钙化检测的快速排除无病变区域法

介绍一种通过去除数字化乳腺x线照片中的无病变区域（TNR）间接地获取感兴趣区域（ROI）的方法。该方法可通过3个步骤来实现：（1）将图像划分为若干个不重合的相等大小块，并为每块计算5个特征；（2）通过域值法进行粗分析，排除肯定不含有病变的块；（3）使用代价敏感的支持向量分类器作更精细的分析，以进一步排除肯定不含有病变的块。在真实的数字化X线乳腺照片上的实验表明：该方法可以有效地去除高达81．71％的无病变区域。     

一种基于视觉的微型飞行器姿态检测算法

探讨了基于视觉的微型飞行器的飞行状态检测方法，利用机载摄像头获得图像。根据某种准则识别出地平线，进而变换得到飞机的姿态角。文中给出了地平线判别准则及相应的算法和姿态角变换公式。最后，给出了一个实际算例及处理结果。     

关于稀疏分布存贮模型中A连接权阵的讨论

Ｋａｎｅｒｖａ的稀疏分布存贮模型由于对寻址地址采用了稀疏编码，对数据采用了分布式存贮，从而解决了大维数向量的输入问题，ＳＤＭ实际上是一个由输入层，中间层和输出层组成的三层前向网络，其中神经元间的互迦权值在输入层与中间层是预置的（用矩阵Ａ表示），中间层与输出层的连接权阵Ｃ由外积法得到，文中假定在相同的学习规则下，就信噪比意义而言，Ａ的均匀预置能使ＳＤＭ获得最优性能，从而为Ａ的预置提供了理论依据。     

STABILITY OF THE HIGH-ORDER BAM AND ITS PERFORMANCE ANALYSIS

由Ｔａｉ提出的高阶双向联想存储器（ＨＯＢＡＭ）推广了Ｋｏｓｋｏ的ＢＡＭ，它不仅拥有ＢＡＭ的优点，而且放宽了连续性假定以得到可靠的回忆，并大大改进了ＢＡＭ的存储容量和纠错性能。然而，Ｔａｉ对于ＨＯＢＡＭ的性能分析仅限于计算机模拟，并没有给出理论分析结果。本文填写了此方面空白，并给出ＨＯＢＡＭ稳定性和存储容量的理论证明，使得该系统能从理论上得以保证所有训练模式对成为其稳定点。     

灰色优势分析在多雷达低空小目标跟踪中的应用

在多部雷达同时跟踪低空／超低空飞行的机动小目标时，因受低空杂波，电子干扰和雷达自身探测精度等因素影响，易使部分雷达探测的数据不完整，不精确，不可靠，甚至相互矛盾，结果造成融合中心数据处理精度下降，针对这一情况，本文应用灰色系统理论的绝对关联度定义和性质，提出了一种改进的绝对关联度计算方法，并在此基础上将多部雷达经一次融合后的数据作为特征数据进行优势分析，把每时送入融合中心比较差的雷达数据用特征数据替换，再进行二次融合，仿真结构表明，应用改进的绝对关联度对雷达数据进行灰色优势分析和二次融合，可进一步提高雷达系统的跟踪精度和可靠性。     

多重加权双向联想记忆模型及决策性能研究

Ｃ Ｃ Ｗａｎｇ等利用Ｋｏｓｋｏ的双向联想记忆模型（Ｂｉｄｉｒｅｃｔｉｏｎａｌ ａｓｓｏｃｉａｔｉｖｅ ｍｅｍｏｒｙ，ＢＡＭ），构造了由多个ＢＡＭ构成的多重ＢＡＭ（Ｍｕｌｔｉ－ＢＡＭ）决策模型，使之可以应用于多证据推理，获得了Ｍｕｌｔｉ－ＢＡＭ的决策性能。作者在此基础上，通过对各ＢＡＭ引入不同的权值来模拟各专家不同的权威度，构建了相应的多重加权ＢＡＭ（Ｍｕｌｔｉ－ＷＢＡＭ）模型，证明了该模型在同、     

面向问题的稀疏分布式记忆模型

 在Kanerva所提出的稀疏分布式记忆(SDM)或存贮模型的基础上,为实现对特定类问题的大维数输入空间的模式识别,如汉字识别,脸谱辩认等,根据问题的具体情况,诸如汉字的频率分布等,提出了一个面向问题的稀疏分布式记忆模型。改进后的模型更符合实际应用,其中的学习规则采用了指数型记忆规则,使模型具有更高的信噪比,存贮容量亦大大提高。计算机模拟表明了这一点。     

具有认知能力的入侵检测系统模型

介绍了入侵检测的原理，对目前入侵检测的模型和方法进行分析，并给出了一个具有认知能力的入侵检测系统模型，该模型由基于规则的检测模块、神经网络组件、统计分析处理模块三个主要模块组成。模型采用了异常检测和误用检测相结合的方法，使系统既有对已知的攻击有较好的识别能力，又有检测未知攻击的能力。文末指出了当前入侵检测存在的问题及今后的发展方向。