人工智能,神经网络与光学

从发展智能计算机的战略出发，介绍了人工神经网络的研究背景和发展简史，扼要说明了神经元的基本运算功能以及人工神经网络的构造和类型。从可学习性，大规模并行性以及联想和容错能力等方面，通过已有研究成果的实例，分析了人工神经网络作为一种新型智能信息处理系统所具有的主要特点。并从硬件实现的角度，阐明了人工神经网络与光学或光子技术的密切关系。     

关于(QU)型模糊拓扑群的直积

研究(QU)型模糊拓扑群族直积,证明了任意(QU)型模糊拓扑群族的直积仍是(QU)型模糊拓扑群;研究了(QU)型模糊拓扑群族直积的模糊单位元之重域基的结构,得到了(QU)型模糊拓扑群族直积的一些重要性质.     

拓扑空间范畴,拓扑FUZZ范畴与拓扑分子格范略畴间的反射与余反射

从整体角度出发，证明拓扑空间范畴Ｔｏｐ分别是拓扑Ｆｕｚｚ范畴ＴｏｐＦｕｚｚ与拓扑分子格范畴ＴＭＬ的反射与余反射满子范畴，ＴｏｐＦｕｚｚｙ是ＴＭＬ的反射与余反射（非满）子范畴。     

一般关系下的n-阶FC-粗糙集模型

给出一般模糊环境下n阶-FC-粗糙近似算子的定义,讨论它的一些性质,并通过α-水平集给出各种n-阶模糊粗糙集的表示。进而给出模糊传递闭包近似算子的定义,得到相应的结果。     

基础J^＊系统的一种扩张—Lukasiewicz系统

研究模糊命题演算的形式演绎系统J^*和Lukasiewicz命题演算系统Lu,提出基础系统J^*-BJ^*系统，证明BJ^*系统的一种扩张与Lukasiewicz系统之间的等价性，从而为J^*系统和BJ^*系统提供了一个应用实例。     

有关Fuzzy命题否定的数学表示

本文在[1]的基础上,对Fuzzy命题的否定形式的数学表示做了更进一步的研究,使其更符合自然语言(汉语)的规律。     

D.C.隶属函数模糊集及其应用(Ⅱ)--D.C.隶属函数模糊集的万能逼近性

本文是D．C．隶属函数模糊集及其应用系列研究的第二部分。指出在实际问题中普遍选用的三角形、半三角形、梯形、半梯形、高斯型、柯西型、S形、Z形、π形隶属函数模糊集等均为D．C．隶属函数模糊集，建立了D．C．隶属函数模糊集对模糊集的万有逼近性。探讨了D．C．隶属函数模糊集与模糊数之间的关系，给出了用D．C．隶属函数模糊集逼近模糊数的e-Cellina逼近形式，得到模糊数与D．C．函数之间的一个对应算子，指出了用模糊数表示D．C．函数的问题。     

概率神经网络和FTIR光谱用于食道癌的辅助分析

利用正常与相应癌化食道组织的主要FTIR特征峰aυs,CH3、sυ,CH2、σCH2、aυs,po4-、υc-o、sυ,po2-及sυ,磷酸化蛋白作为概率神经网络的输入向量,对网络的主要参数(网络径向基函数分布spread(0~5))、输入向量和网络表现(m ean accurate rate of recogn ition)之间的关系进行了研究。主要结论如下:i)无论输入向量是哪种特征频率的组合,其平均识别正确率都高于71.40%;ii)当输入向量为特征频率sυ,po2、sυ,磷酸化蛋白或υc-0、sυ,po2、sυ,磷酸化蛋白时,网络表现较佳,平均识别正确率较好。当spread介于1.4~2.3时,两者均达到网络具有的最高平均识别正确率(85.71%);iii)大多数情况下,网络的平均识别正确率与spread之间呈现二个高峰的特征,即spread介于0.1~0.3和1.5~5.0之间时,网络均具有较高的平均识别正确率。研究表明,以傅里叶变换红外光谱的主要特征峰为概率神经网络的输入向量,用于食道组织样品的癌化识别分析是完全可能的,其平均识别正确率可达85.71%。     

模糊蕴涵与Smooth紧

1985年,Sostak[8]由逻辑的观点出发定义了一种基于Lukasiew icz蕴涵算子的Sm ooth紧,基于同样的思想A.H aydar E s[12]又定义了另外几种Sm ooth(fuzzy)紧并讨论了它们之间的关系。王国俊教授[10]提出了一种比Lukasiew icz算子具有更好性质的R0-算子,基于R0-算子我们定义了一种模糊蕴涵,通过这种模糊蕴涵定义几种Sm ooth紧并讨论了它们的一些性质。     

模糊神经网络在复合地基沉降量预测中的应用

复合地基后期沉降变形对于建筑物设计及安全具有重要意义,针对通过长期沉降观测以得到复合地基的最终沉降需要耗费较多资源的问题,提出了一种基于模糊神经网络的预测方法.该方法考虑沉降变化过程有较大的随机性和模糊性,直接将样本数据进行模糊化,所得的模糊数代表了样本点集与控制点集中各分量之间的相关度,并依此建立模糊BP神经网络进行学习和估算.实验结果表明了该方法对沉降进行预测是可行与有效的,且在相对误差的有效控制方面优于BP网络方法与灰色方法.