基于实例推理技术及其研究发展方向

基于实例的推理技术（Case- Based Reasoning ,CBR）是人工智能及机器学习领域中的前沿方向.作为一种增量式的学习方法,规避了传统人工智能在知识获取上的瓶颈问题.本文介绍了CBR的基本原理、实例中知识的表示方法和Tverskey和k-NN两种检索技术;详细讨论了CBR实现过程中的中心问题--实例修正问题,给出实例的修正的8种技术与方法;提出了基于实例的推理技术的研究重点和发展方向.     

基于偏差信息的星载计算机系统负载平衡算法的研究

相邻结点负载平衡算法具有计算简单、额外开销小的优点。但由于采用局部的观点平衡负载，限制了结点信息得到的范围，使得系统在某种情况下达不到全局平衡，本文提出了基于偏差信息的星载计算机系统负载平衡算法，它改变了结点传递的实际负载信息，使修改后的负载信息能体现出结点及其周边结点的负载形势，以此弥补了相邻结点负载平衡算法的不足，并将其应用在星载计算机系统上，首先，介绍了相邻结点负载平衡算法及其存在的不足；其次，描述了基于偏差信息的星载计算机系统负载平衡算法，最后，通过仿真实验，给出了这种算法同其它几种负载平衡算法的比较，并证明了它的正确性与可行性。     

基于双层K近邻算法航站楼短时客流量预测

航站楼离港客流量在短时期内呈现准周期性规律变化,易受航班计划、天气等多种因素影响,表现出复杂的非线性特点。为了实现航站楼短时客流量的准确预测,在传统K近邻（KNN）算法基础上增加了航班计划状态模式匹配方法,以航班计划包含的多维属性作为特征选取相似历史运营日作为预测基准向量,建立基于航站楼短时客流量预测的双层K近邻模型。通过实例分析,与ARIMA模型和传统K近邻模型等进行比较,证明双层K近邻模型预测误差更小,精度更高,模型拟合度相对传统K近邻模型提高了8%~10%,为航站楼短时客流量精确预测提供了一种新的解决思路。      

基于神经网络的BTT导弹逆控制方案设计

对基于神经网络的倾斜转弯(BTT)导弹逆控制进行了研究。用径向基函数(RBF)神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统;用逆系统法设计了一种用于BTT导弹非线性控制的经典控制与神经网络在线自学习综合控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪。仿真结果表明:该方案可根据设计指标要求实现对BTT导弹的非线性控制,且有较强的鲁棒性。     

飞机外形和结构件反求建模技术研究

 探讨了基于特征的飞机外形和结构件反求建模策略,并给出曲面特征和实体特征的定义,该方法支持具有完整特征表达的模型快速重建。提出了大规模散乱数据k近邻的空间球搜索算法,其逐步增大搜索范围的策略可有效提高搜索效率。研究了结构件与外形相关曲面特征的重建方法,当贴合面较窄、外形线接近于直线时,采用直纹面逼近,否则由蒙皮曲面等距间接求取。研究了基于工程约束的曲面形状修改算法,以B样条曲面需满足的点、线、面几何约束为目标约束,通过最小化形状修改前后差曲面的弯曲能得到精确满足目标约束的光滑曲面,推导了曲面弯曲能和曲线约束的表达式。最后,以飞机翼肋模型反求为例验证了所提方法的可行性。     

基于高斯混合模型的航迹抗差关联算法

针对雷达系统误差时变、上报目标不完全一致等复杂场景下目标航迹关联问题，采用高斯混合模型（GMM）与航迹间拓扑信息相结合的方法实现航迹抗差关联。将航迹关联问题转化为图像匹配中的非刚性点集匹配问题，建立对非同源航迹具有鲁棒性的高斯混合模型，根据航迹间的邻域拓扑信息决定高斯混合模型中各高斯组成部分的权重，利用期望最大值（EM）算法求解高斯混合模型的最优闭合解，在期望步（E-step）阶段求解航迹的对应关系，在最大化步（M-step）阶段求解非同源航迹比例，最后进行航迹关联判决以获得关联结果。仿真结果表明，该算法在不同系统误差、目标分布密度、探测概率等环境下具有较好有效性和鲁棒性。     

基于朴素贝叶斯K近邻的快速图像分类算法

朴素贝叶斯最近邻(NBNN)分类算法具有非特征量化和图像-类别度量方式的优点,但算法运行速度较慢,分类正确率较低.针对此问题,提出一种朴素贝叶斯K近邻分类算法,基于快速近似最近邻(FLANN)搜索特征的K近邻用于分类决策并去除背景信息对分类性能的影响;为了进一步提高算法的运行速度及减少算法的内存开销,采用特征选择的方式分别减少测试图像和训练图像集的特征数目,并尝试同时减少测试图像和训练图像集中的特征数目平衡分类正确率与分类时间之间的矛盾.该算法保留了原始NBNN算法的优点,无需参数学习的过程,实验结果验证了算法的正确性和有效性.     

基于核的K近邻法

将核学习方法的思想应用于K近邻法中,提出了一种核K近邻算法,算法的主要思想是:首先将原空间中待分类的样本经过一个非线性映射,映射到一个高维的核空间中,突出各类样本之间的特征差异,然后在这个核空间中进行K近邻分类.为了验证算法的有效性,分别利用人工和实际数据进行K近邻分类和核K近邻分类,实验结果显示对于一些特殊的类分布数据,核K近邻分类比K近邻分类具有更好的分类效果.     

局部Bagging方法及其在人脸识别中的应用

Bagging方法无法在稳定的分类器(如最近邻分类器)上构建多样的分量分类器,因此它不适合于稳定的分类器.同时,小样本特性Bagging也很难应用于人脸识别等任务中.本文提出了一种局部Bagging(L-Bagging)方法以同时解决上述两个问题.L-Bagging和Bagging的主要区别是L-Bagging在每个事先划分好的局部区域内进行自助集的采样而不是如Bagging那样在原始的样本集上采样.由于局部区域的维数通常远远小于训练样本数,并且分量分类器又是构建在不同的局部区域上的, 因此 L-Bagging方法不仅有效地解决了小样本问题,而且产生了更多样的分量分类器.在4个标准的人脸数据库(AR,Yale,ORL和Yale B)上的实验结果表明所提出的L-Bagging方法是有效的,并且对光照、遮挡及轻微的姿态变化是鲁棒的.     

模糊的类内矩阵模式主分量分析及在人脸识别中的应用

矩阵模式主分量分析（MatPCA）作为有效的特征提取方法能同时处理矩阵表式的模式和向量表式的模式。但与主分量分析（PCA）方法一样,MatPCA没有使用样本的类别信息,因此所提取的特征不能提供足够的判别信息,进而影响随后的分类性能。为有效利用样本的类别信息,在MatPCA基础上提出了一种新的特征提取方法——模糊的类内MatPCA（F—WMatPCA）。F—WMatPCA利用模糊K最近邻（FKNN）求解训练样本的模糊隶属度并在模糊的类内执行MatPCA。由于F—WMatPCA使用更多的类别信息,因此能有效地提高识别精度。对0RL,Yale人脸数据集和几个UCI数据集做了实验,结果证实了该方法的有效性。另外,讨论了F—WMatPCA在人脸识别上的应用,并与F—Fisherfaces作了比较,结果表明F—WMatPCA具有比F—Fisherfaces更稳定、更鲁棒的识别性能。