一类增量式支持向量机的分析

针对训练数据发生增量改变时,标准一类支持向量机的批处理算法需要重新进行训练,不适合在线增量环境学习的问题,提出一种详细的增量式标准一类分类向量机算法,并通过理论分析对该算法的可行性和有限收敛性进行了证明,确保该算法的每步调整都是可靠的,并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。     

基于协调权的案例学习群决策分类方法

基于案例学习的决策方法具有易于理解、贴近 实际决策过程的优点,成为当前决策领域的一个研究热点。文中针对如何有效地集成不同决 策专家提供的案例信息,提出了一种基于协调权的案例学习群决策模型用以解决多属性分类 决策问题。该方法首先针对各决策者给出不同案例数据,通过构建混合整数规划模型,识别 出具有一致案例信息重要度最大化的典型案例集。然后设计了分类阈值远离程度最大化模型 ,以此确定兼容各个决策者案例信息的指标权重（协调权）和最优分类阈值,由此构建一致 性的效用函数并应用获得的阈值进行分类决策。最后通过案例研究以及与其他模型的比较分 析,验证了方法的可行性。     

机械设计基础课虚拟实验的设计与开发

阐述了机械设计基础课程虚拟实验的主要功能和特点.提出了建立基于网络的虚拟实验体系内容.采用Solidworks、3Dmax、Flash开发的机构运动简图演示、机构运动测绘和减速器拆装等虚拟实验,大大提高了实验效率,解决了设备、教具不足的矛盾.打破了教师传统的示范演示,实现了教生互动,激发了学生学习的主动性,促进了教学效率和质量的提高.     

基于网络的大学英语“1+X”课程体系构建研究

构建科学、系统、个性化的大学英语课程体系是高校大学英语改革的关键因素。基于相关的外语习得与教学理论,结合本校的教学条件和本校学生的现实基础,对构建有利于改善大学英语教学效果和提高教学质量的个性化教学体系做了详细论述及深入探讨,期望能推动大学英语教学改革的纵深发展。     

一种通过积累教训来实现学习的随机自动机

本文提出了一种新颖的学习自动机模型。其内部结构直接由它过去所受惩罚的积累信息来确定。研究结果表明，该算法是权宜的，且具有优于ＬＩＰ、相当于ＬＲＰ的学习性能。     

联合优化的BP神经网络模型的应用研究

BP算法因收敛速度慢、易于陷入局部极小值等缺点，使得对于较大的搜索空间、多峰值和不可微函数常常不能搜索到全局极小点，这些制约了BP网络在各个领域中的应用。本文通过对学习系数、神经元的激励函数及误差函数的联合优化，在一定程度上避免了学习中的局部极小问题，提高了学习效率，改进了网络的性能。     

基于元胞自动机的飞机低空突防航路动态优化

提出了一种新型的航路动态优化算法——多层元胞自动机算法，描述了应用元胞自动机搜索飞机动态优化航路的策略。利用元胞自动机的计算并行性，使该算法大大减少了计算时间，提高了动态优化的实时性。最后用计算机进行了仿真，取得了较好的仿真结果。     

二次奖罚学习自动机

研究了奖罚型学习自动机的一种非线性强化算法。与线性的奖罚模型（ＬＲＰ）不同,新模型的行动选择概率的更新函数为二次的。这使得该模型的学习性能优于ＬＲＰ,且对不同的环境,其具有不同的行为和特点。     

基于二叉树支持向量机的装备故障诊断研究

本文提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。