基于Gabor变换和支持向量机的手写体字符识别算法

针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,将支持向量机SVM方法用于手写字符的识别.算法首先采用Gabor变换提取手写字符图像的特征参数,然后采用提取的特征训练SVM分类器.再应用SVM分类器分类和判别手写字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

基于人工免疫网络的在线核聚类算法

针对核聚类算法与免疫网络聚类算法的不足,将免疫网络机制与核理沦相结合,通过用核距离函数代替欧拉距离函数,设置反映抗体识别抗原数量的权重和引入人工免疫网络机制等解决样本类边界模糊和类间数据密度分布不均匀问题.最后通过人工数据集和lRIS数据集上的仿真试验,验证了算法的有效性.     

集合卡尔曼滤波在流域水文模型流量预报中的应用

针对流域降雨入渗过程,引入集合卡尔曼滤波(EnKF)理论,视整个边坡流域为一个随机动态系统,将边坡流域流量观测值作为系统的输出,用集合卡尔曼滤波模型来描述系统的状态;结合流域流量计算方法,实现水文模型参数的随机动态估计,在有效获得待估参数的同时还给出估计值的不确定性.通过数值算例表明,集合卡尔曼滤波可以有效地对含噪声的量测数据进行处理,能够跟踪水文模型的动态变化.相对于常用最优化算法,集合卡尔曼滤波同时给出反演结果和先验知识的后验分布,显示出更好的实时性和可靠性.     

湛江气温的多时间尺度特征及其变化趋势预测

利用MHAT小波函数分析了湛江市近50年来年平均气温的多时间尺度变化特征，并采用Kalman滤波模型对年平均温度的变化趋势进行了预测研究。结果表明，在半个多世纪的气候变化过程中包含了16a、4a和准2a的周期振荡，20世纪80年代中期以来湛江气温持续升高，且未来几年仍处于偏高阶段。卡尔曼滤波模型对湛江年平均气温的预测中，独立样本预测的平均绝对误差（MAE）等于0．30℃，相对误差为1．24％，对短期气候预测工作具有较高的参考价值。     

湛江气温的多时间尺度特征及其变化趋势预测

利用MHAT小波函数分析了湛江市近50年来年平均气温的多时间尺度变化特征,并采用Kalman滤波模型对年平均温度的变化趋势进行了预测研究。结果表明,在半个多世纪的气候变化过程中包含了16 a4、a和准2 a的周期振荡,20世纪80年代中期以来湛江气温持续升高,且未来几年仍处于偏高阶段。卡尔曼滤波模型对湛江年平均气温的预测中,独立样本预测的平均绝对误差(MAE)等于0.30℃,相对误差为1.24%,对短期气候预测工作具有较高的参考价值。     

一种基于人工免疫网络聚类的入侵检测方法

提出了一种基于自适应半径免疫算法(ARIA)的入侵检测方法.ARIA训练得到的抗体网络充分保留了原始数据的密度分布信息,具有准确的空间形态;再用最小生成树算法和zahn划分标准对抗体网络细胞聚类,聚类得到的簇被标记为正常或异常并用于网络异常检测中.对KDD CUP 99数据集的实验结果表明:相对于基于aiNet的入侵检测方法,新的算法检测率高、误报率低,能够有效识别KDD中的已知攻击和未知攻击.     

基于遗传算法的免疫网络设计

从人体免疫网络抵御抗原与计算机网络抵御入侵的相似性,提出一个基于遗传算法的免疫网络并应用于分布式入侵检测系统.将一个基于每秒网络数据量为参数的时间序列作为检测子的抗体表达形式,在单个网段检测网络数据,通过各个网段之间的抗体交流,实现抗体的优化.在抗体的进化过程中,提出了较好地评价抗体适应度的评估函数,为优化抗体的遗传算法的实现打下了基础.     

水污染物浓度的神经网络预测模式及效果检验

污染物浓度预测是环境保护的重要内容,将神经网络用于水中有机污染物浓度的预测并对效果进行检验.结果表明,预测值与观测值符合较好.     

SIMULATION AND PREDICTION OF DEBRIS FLOW USING ARTIFICIAL NEURAL NETWORK

Debris flow is one of the most destructive phenomena of natural hazards. Recently, major natural haz-ard, claiming human lives and assets, is due to debris flow in the world. Several practical methods for forecasting de-bris flow have been proposed, however, the accuracy of these methods is not high enough for practical use because of the stochastic and non-linear characteristics of debris flow. Artificial neural network has proven to be feasible and use-fill in developing models for nonlinear systems. On the other hand, predicting the future behavior based on a time se-ries of collected historical data is also an important tool in many scientific applications. In this study we present a three-layer feed-forward neural network model to forecast surge of debris flow according to the time series data collect-ed in the Jiangjia Ravine, situated in north part of Yunnan Province of China. The simulation and prediction of debris flow using the proposed approach shows this model is feasible, however, further studies are needed.     

基于BP神经网络的智能入侵检测系统

介绍了BP神经网络的基本知识，设计了基于BP神经网络的智能入侵检测系统。并提出了根据不同的网络协议使用不同神经网络的思想，指出了每个神经网络需要的网络数据，并阐述了训练和测试神经网络的方法。