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。     

支持向量机在燃气涡轮性能诊断中的应用

由Vapnik统计学习理论得到的支持向量机是一种新的人工智能方法，它具有比人工神经网络更好的泛化性。文中构建了一种基于C—SVC的故障诊断模型（CBFDM），并采用5重交叉验证法来选择模型参数，该模型可给出3个最可能的故障原因。利用PW4000—94发动机巡航态影响系数矩阵产生仿真数据，对CBFDM研究结果表明，即使在噪声级别为正常情况下的3倍时，该模型诊断准确率仍超过93％。该诊断模型也可用于其它领域诊断问题。     

基于体过程建模技术火焰的生成

通过体过程建模模拟显示火焰,详细说明了体纹理中基本函数Noise函数的实现过程,说明了体过程建模中重要概念体空间,以及体过程建模技术实现的过程,给出利用Noise函数和体空间概念生成的火焰。     

人工神经网络

本文叙述了人工神经网络的基本概念、信息处理原理及主要特征。分析了Hopfield、误差反向传播等典型神经网络模型的互连结构、学习方法及特点。对该学科的发展及今后人工智能的研究策略也作了简要阐述。     

飞行轨迹预测的两种变结构IMM算法

针对交互式多模型(IMM)算法的缺陷,把变结构思想运用到此算法中,给出变结构交互式多模型(VSIMM)算法。基于图论知识,提出两种变结构算法:转换图交互式多模型(SGIMM)算法和自适应图交互式模型(AGIMM)算法。通过仿真试验,验证了这2种变结构算法的优越性,同时分析了2种算法的不同点。     

FAA空管信息化概况

介绍了FAA国家空域系统现代化计划的关键系统和更新进程,以及自由飞行计划的概念和关键技术。     

双层通用自适应模式识别系统

单层n元自适应模式识别系统(WISARD)由于其大规模并行分布处理能力、通用性和自适应性而显示了巨大的应用潜力。但由于其结构的原因,系统性能受到了一定的限制。Kanerva提出的稀疏存贮器结构和WISARD的RAM阵列结构有相似之处。而且这种稀疏分布存贮的原理,可以从结构上解决WISARD的固有缺陷。根据SDM的概念,在WISARD的基础上,本文提出了一种新颖的双层自适应模式识别系统模型。它除了保持WISARD的原有特点之外,在解决大维数或非确定性模式数据的识别问题以及控制系统成本方面有着明显的优势。在该系统上进行的多体印刷汉字识别试验,初步优化了系统各参数的关系,验证了模型的可行性。     

多层自适应模式识别系统模型

在英国WISARD单层模式识别系统的基础上,借助P.Kanerva的稀疏分布存贮(SDM)的概念,提出了~种新的多层自适应模式识别系统模型(MAPR)。并就其工作过程和主要特点作了较详细的叙述,还列出了多体印刷体汉字识别的初步试验结果。MAPR用稀疏RAN阵列代替WISARD的常规RAM阵列,用对n元模式计频的训练策略代替了原系统的直接置位策略。使系统除了保持原系统的重要优点外,在大维数或非确定性模式数据识别方面,其性能有了明显改善。     

基于逻辑神经网络的图象处理方法

阐述了基于逻辑神经网络的图象平滑、压缩编码方法。这些方法的基本思想是：以逻辑神经网络为窗口,选择对某种图象变换敏感的模式训练窗口。当窗口对图象扫描时,窗口在图象的各位置输出响应,通过对这些响应的简单运算,实现所希望的处理。除了理论分析外,文中还给出了各种方法的典型试验结果。