助航生活常识网导语：怎么才干写好一篇办法辨认，这就需求搜集收拾更多的材料和文献，欢迎阅览由好用日子网收拾的十篇范文，供你学习。
篇1
要害词：含糊办法 辨认 核算机辨认 运用 研讨
中图分类号：TP391.4 文献标识码：A 文章编号：1672-3791,202604,a-0008-02
在核算机辨认中，对含糊办法辨认进行了有用的运用。在含糊调集傍边，一般是对一个概念的内涵进行有用的描绘。在这个进程中，将数学办法进行运用能够对人的思想进程进行有用的模仿，将这项辨认技能运用在核算机辨认中，能够有用地进步整个别系的可靠性。
1 关于含糊办法辨认的概念
含糊办法辨认技能是跟着核算机技能的不断展开和老练而逐渐展开起来的。现阶段，含糊办法辨认技能现已成为一门比较体系的内容。关于办法辨认，是近年来不断展开的一项人工智能技能，这项技能既能够对详细事物的辨认，又能够对笼统的事物进行有用的辨认。而含糊办法辨认技能则是辨认技能与人的思想之间的一种结合，在含糊办法辨认技能中，能对文字、音乐以及图片等有用地辨认，使得办法辨认技能进入了新的展开阶段。
2 含糊办法辨认的树立
在树立含糊办法辨认办法的进程中，能够将数学办法进行合理的运用。将X作为一个样本的调集：X={x1，x2，x3……x,im-1，xim}，在这个调会集，样本xi的特性方针有m个，那么对xi的特性方针进行研讨，得出来的矩阵如下：
在这个进程中，经过对数学办法进行引进，就有用地对含糊办法辨认办法进行了树立，一起，在树立的进程中，还需求树立相应的操练样本集。
3 含糊办法辨认的重要效果
在核算机辨认技能展开的进程中，含糊办法辨认现已得到了长足的展开。在含糊办法辨认技能中，能够对传统的办法辨认技能进行有用的弥补，并对这个进程中产生的新事物进行有用的核算，也能够对体系中呈现的不确认的事物进行有用的辨认与判别。这样辨认技能实践上是以根底数学作为根底将数学理念引进其间，能够对整个程序进行有用的简化，也使得办法辨认体系愈加广泛地在生发日子中进行运用。所以说，含糊办法辨认体系的呈现，加强了核算机辨认中对办法辨认的有用运用，也将传统的办法辨认体系傍边对事物的辨认改动成为对一些声响和图片的辨认，加强了办法辨认技能的实践运用。
4 核算机辨认中运用含糊办法辨认的研讨
现阶段，核算机技能现已得到了飞速的展开，核算机体系科学的相关理论也得到了展开。所以，在这个进程中，想要运用辨认体系更好地知道笼统事物，就应该运用核算机辨认技能对一些杂乱的事物进行有用的剖析与处理，这就需求对含糊办法辨认体系进行有用的运用，然后到达相应的效果。
4.1 核算机数据辨认运用含糊办法辨认体系
在含糊办法辨认体系中，实践上是对现实日子中的一些含糊现象进行有用的处理，这样就能够对实践日子中的问题进行合理的处理。在核算机辨认的进程中，对含糊办法辨认体系进行有用的运用，能够对原有的运用人的思想办法对事物信息进行判别的办法进行有用的改善，这样就能够防止判别作业的片面性，使得核算机辨认的成果变得愈加精确。在这个进程中，运用含糊办法辨认技能，能够对人的思想进程进行一个有用的模仿，这样就有用地进步了核算机的智力水平，也能够对整个核算机辨认体系的可靠性得到了进步。在一些事物的查看判别的进程中，运用人工查看的办法虽然能收到显着的效果，可是人工查看的功率却比较低，这样就会对人构成严峻的疲惫现象。运用含糊办法辨认体系，能够对查看事物进行有用的辨认，进步了核算机辨认体系的可靠性。
4.2 核算机图形辨认运用含糊办法辨认体系
关于含糊集理论是Zadeh在1965年提出的。这个理论的提出，让人们对事物的一致值，有了一个显着的知道，这也是一种新的描写事物的办法。这种办法对以往事物呈现办法进行了有用的改动，并提出了内涵数学办法和外延数学办法。在这个进程中，A类问题和B类问题的认知中，传统的逻辑以为样本不是归于A，便是归于B。不过，在含糊办法辨认进程中，或许呈现样本不只归于A类问题也归于B类问题。这种辨认办法与一般的办法辨认办法进行比较之后，能够发现，含糊办法辨认办法在信息运用的进程中显得愈加充沛，且这种算法也愈加简略，具有较强的推理性。
在核算机辨认技能中，运用含糊办法辨认的要害一环，便是树立相应的从属度函数。现阶段，含糊办法辨认中的从属度函数树立的办法有含糊散布办法和含糊核算办法两种重要的类型。在树立从属度函数的进程中，需求遵从函数的客观规则，确保函数的构建愈加科学，并能够运用含糊办法辨认体系中所树立的从属度函数，对核算机图形辨认中的各项问题进行有用的处理，并能够收到显着的效果。
4.3 核算机病毒辨认运用含糊办法辨认体系
4.3.1 提取核算机病毒特色
将含糊办法辨认技能运用在核算机的病毒辨认进程中，首要需求对病毒的特征进行有用的检测。这个进程中，需求现将核算机的病毒样本进行提取，并将提取的病毒样本加入到核算机病毒库中，并在病毒库中进行查找，然后找到与该病毒类似的病毒类型，针对病毒的类型及特色，展开检测作业。在这个进程中，选用含糊办法辨认技能，能够完结对核算机内的可用文件的剖析，并能够对核算机的行为差异进行合理的剖析，这样就能够收到杰出的检测病毒的重要意图。在病毒梯度的进程中，能够对win.ini的文件夹进行有用的批改，然后对病毒特征进行有用的提取。
4.3.2 核算机病毒检测
在核算机病毒的辨认进程中，对病毒特征进行辨认之后，还应该对病毒进行有用的检测。在检测的进程中还能够对含糊办法辨认技能进行有用的运用。在这个进程中，能够运用相应的病毒检测东西来对程序类型进行有用的概括，并对样本进行有用的差异，这样就能够对具有相应的特征的程序类型进行有用的辨认，然后到达对核算机的病毒检测的重要意图。只需精确的检测出核算机病毒的类型，才干够采纳办法进行杀毒。这个进程，很好的表现了含糊办法辨认在核算机辨认傍边的重要效果，推动了核算机辨认技能的有用l展与老练。
5 结语
总归，跟着核算机信息技能的不断展开，含糊办法辨认技能会愈加广泛运用在社会日子傍边。在核算机辨认体系中，对含糊办法辨认技能进行运用，能够完结对核算机的数据辨认、图片辨认以及病毒辨认，这样就能够确保核算机安稳作业，促进了信息智能化技能的进一步展开，也使得核算机辨认技能得到了愈加广泛的运用。
参考文献
[1] 段旭琴，丁照忠，段健，等.多级含糊办法辨认模型在点评高炉喷吹混煤中的运用[J].煤炭学报，2011,10：1748-1752.
篇2
摘 要 该文在人工免疫体系和克隆挑选原理的根底上，给出了clonalg算法，并对该算法的完结原理、参数挑选等进行了详细研讨；给出了运用该算法进行数字辨认的实例。 要害词 克隆挑选；人工免疫体系；数字辨认 1 导言 生物免疫体系是一个高度进化的生物体系，它旨在差异外部有害抗原和自身安排，然后铲除抗原并坚持有机体的安稳。从核算的视点来看，生物免疫体系是一个高度并行、散布、自习惯和自安排的体系，具有很强的学习、辨认、回想和特征提取的才干。人们期望从生物免疫体系的运转机制中获取创意，开发出头向运用的免疫体系模型——人工免疫体系(artificial immune system， ais)，用于处理实践问题。现在，ais已展开成为核算智能研讨的一个簇新的分支。其运用领域逐渐扩展到了信息安全、办法辨认、智能优化、机器学习、数据发掘、自动操控、故障诊断等许多领域，显示出ais强壮的信息处理和问题求解才干以及宽广的研讨远景。 克隆挑选是一种常用的ais算法。本文首要评论该算法在数字辨认中的运用。 克隆挑选原理最先由jerne提出，后由burnet给予完好论述。其大致内容为：当淋巴细胞完结对抗原的辨认(即抗体和抗原的亲和度超越必定阀值)后，b细胞被激活并增殖仿制产生b细胞克隆，随后克隆细胞阅历变异进程，产生对抗原具有特异性的抗体。克隆挑选理论描绘了取得性免疫的根本特性，并且声明只需成功辨认抗原的免疫细胞才得以增殖。阅历变异后的免疫细胞分化为效应细胞(抗体)和回想细胞两种。 克隆挑选的首要特征是免疫细胞在抗原刺激下产生克隆增殖，随后经过遗传变异分化为多样性效应细胞(抗体细胞)和回想细胞。克隆挑选对应着一个亲合度老练(affinity maturation)的进程，即对抗原亲合度较低的个别在克隆挑选机制的效果下，阅历增殖仿制和变异操作后，其亲合度逐渐进步而“老练”的进程。因而亲合度老练实质上是一个达尔文式的挑选和变异的进程，克隆挑选原理是经过选用穿插、变异等遗传算子和相应的集体操控机制完结的。 依据克隆挑选原理，decastro提出了克隆挑选算法(clonalg算法)模型，并在办法辨认、组合优化和多峰值函数优化中得到了验证。其算法的中心在于增殖仿制算子和变异算子，前者与个别亲合度成正比，确保集体亲合度逐渐增大，后者与个别的亲合度成反比例联络，保存最佳个别并改善较差个别。 2 clonalg算法 clonalg算法是依据克隆挑选原理规划的免疫算法。处理问题时，一般把问题界说为抗原，而问题的解便是抗体调集。在特定的形状空间中，随机产生的抗体企图与抗原产生匹配，即测验处理问题。匹配度高的抗体有或许产生更好的解，被赋予更大的克隆概率参加下一次匹配。 抗体和抗原之间的距离d选用汉明距离，如式(1)所示。
抗体和抗原之间的亲和力aff与它们的距离成反比，即aff=1/d。 免疫算法的完结进程如下： 进程1 初始化抗体调集，随机产生n个抗体。 进程2 核算抗体调集ab中一切抗体与抗原ag的亲和力。 进程3 挑选n个亲和力最高的抗体，组成一个新的抗体调集。并将这n个抗体依照亲和力升序摆放。 进程4 将选中的n个抗体依照对应的亲和力进行克隆，产生新的调集c，亲和力越高的抗体，克隆的数量就越多，总的数量核算公式如式(2)。 nc是总的克隆数，式(2)右边是一个和式，其间第i项代表抗体abi产生的克隆数， 是预设的参数因子，n是抗体调集包含的元素个数。 进程5 新的调集c依照基因重组概率进行基因重组，产生老练的克隆调集c*。 进程6 核算老练克隆调集的亲和力。 进程7 从老练克隆调会集挑选n个亲和力最高的抗体作为回想抗体的候选，亲和力超越现有回想抗体的候选抗体称为新的回想抗体。 进程8 替换掉亲和力最低的d个抗体，并用新的随机抗体弥补。 进程9 假如抗体调集没有到达匹配精度要求且进化代数小于最大进化代数，则转到进程2，不然算法完毕。
3 运用clonalg算法辨认数字 办法辨认技能是依据研讨方针的特征和特色，运用必定的剖析算法，确认研讨方针的归属和类别，并使成果尽或许契合实在。一般办法辨认体系都包含问题描绘、体系操练和办法辨认几个部分。 本体系要处理的问题是辨认0到9这十个数字。每个字符都用一个长度l=120的二进制串标明(每一个像素用一个二进制数标明)。原始字符(待辨认的字符)(抗原)如图1所示。
图1 待辨认的字符(抗原) 抗体指令集由10个抗体组成，即取n=10。每次选中5个亲和力最高的抗体进行克隆，即n=5。参数 =5。变异率初始值pm=0.05，并依据进化状况进行改动。最大进化代数gen=100，匹配精度取0，即要求彻底匹配。 10个抗原(待辨认数字)都到达了彻底匹配，详细匹配状况如表1所示。 表1 数字0-9的彻底匹配代数 抗原(待辨认字符) 0 1 2 3 4 5 6 7 8 9 彻底匹配代数 36 42 54 47 47 53 49 42 40 53 从表1能够看出，该算法的收敛速度是很快的。 由于篇幅所限，下面仅以数字“3”为例，调查一下算法的完结进程。 图2 辨认数字“3”的进程 图2中，第一排依照从左向右的次第：第1幅图是原始字符，第2幅图是随机产生的抗体集，第3幅图和第4幅图别离是进化到第10代和第20代的抗体集。第二排依照从左向右的次第：第1幅图，第2幅图别离是进化到第30代，第40代的抗体集。最终一幅图是进化到第47代的抗体集。进化进程中抗体与抗原的距离改动状况如表2所示。 表2 辨认“3”时抗体与抗原的距离d的改动 进化代数 5 10 15 20 25 30 35 40 45 47 抗体与抗原的距离d 30 19 12 8 5 3 1 1 1 0 从表2能够看出，实践上进化到35代时，抗体与抗原的距离d=1，在大多数运用中，这现已能够很好地满意要求了。 4 总结 从上面的评论能够看出，clonalg算法是一种高效、快速收敛的算法，十分合适运用于办法辨认。 参考文献 [1] 阎普通等著，人工神经网络与模仿进化核算，清华大学出版社，2000 [2] 陈慰峰著，医学免疫学，人民出版社，2001 [3] 李涛著，核算机免疫学，电子工业出版社，2004
篇3
导言
当时对人工神经网络ANN,Artificial Neutron Network的研讨热潮源自Hopfield J.[1]和McclellandJ.等人于20世纪80年表的论文[2],[3]。Hopfield提出了激活函数为非线性的反响网络，并将其成功地运用于组合优化问题；Mcclelland和Rumelhart用多层前馈网的反向传达学习算法,Back Propagation成功地处理了感知器不能处理的"异或"问题及其它的辨认问题。他们的打破打消了此前人们由于简略线性神经网络感知功用的有限而产生的，使ANN成为了新的研讨热门。之后，新的网络结构和新的学习算法层出不穷，现在常见的都已到达几十种。在这些神经网络中，径向基函数RBF,Radial Basic Fuction网络由于具有强壮的矢量分类功用和快速的核算才干，在非线性函数迫临等方面，特别是办法辨认领域，取得了广泛的运用，然后成为当时神经网络研讨中的一个热门[4]。
办法辨认是人工智能常常遇到的问题之一。其首要的运用领域包含手写字符辨认、自然言语了解、语音信号辨认、生物丈量以及图画辨认等领域。这些领域的一起特色都是经过对方针进行特征矢量抽取，再按事前由学习样本树立的有代表性的辨认字典，把特征矢量别离与字典中的规范矢量匹配，依据不同的距离来完结方针的分类。以辨认手写数字为例，字典中有由学习样本树立的10个规范矢量,代表0～0，把从辨认方针中抽取的特征矢量别离与这10个规范矢量匹配，矢量间距离最短的就阐明别方针与这个规范矢量的分类最挨近，然后辨认出其标明的数字。
办法辨认进程中，产生一个具有代表性的、安稳且有用的特征矢量分类匹配战略，是补偿变形、进步辨认率的有用途径，怎么确认分类器是辨认体系成功的要害。能够说，办法辨认的实质便是分类，便是把特片空间中一个特定的点,特征矢量映射到一个恰当的办法类别中。传统的办法辨认分类都是依据串行处理的匹配战略：首要由学习样本树立辨认基元,字、词、音、像素的规范矢量辨认字典，取取的特征矢量次序与字典中的规范矢量核算差异得分；最终依据概率做出决议计划，输出辨认成果。当办法类别很大时，辨认速度会下降得很快，而近年来，用RBF网络处理这方面的问题得到了很好的效果。
理论模型要求展开神经网络型核算机来完结，但迄今 停止，这方面的作业限于条件还首要会集在传核算算机的软件模仿完结上。大多数学者以为，要使人工神经网络更快、更有用地处理更大规划的总是，要害在于其超大规划集成电路,V LSI硬件的完结，即把神经元和衔接制造在一块芯片上,多为CMOS构成ANN。正是由于上述的原因，其间神经网络的VLSI规划办法近年来展开很快，硬件完结已成为ANN的一个重要分支[5],[6]。
以下介绍IBM的专利硬件RBF神经网络芯片技能ZISC(Zero Instruction Set Computer，并给出用ZISC规划和完结的一种办法辨认体系。
1 用VLSI规划硬件神经网络的办法
神经网络的IC完结是比较困难的，规划者有必要把神经体系模型的特性反映到受半导体工艺和IC规划规矩约束的电路中去。用VLSI规划硬件神经网络的办法首要分为数字技能、模仿技能和数模混合技能等，下面别离作扼要介绍。
,1用模仿技能完结硬件神经网络
模仿神经芯片经过单元器材的物理性质来进行核算，因而能够取得很高的速度。神经元的核函数核算功用一般由乘法器或运算放大器来完结，而衔接权值大多以电压办法存储在电容上或是以电荷办法存储在浮点门上。运用模仿神经芯片不只能够制造多层前向感知器那样的传统结构，还能从形状上进行如硅视网膜这样的生物仿真规划，然后更有用地模仿生物学功用。
在处理实时感知类的问题中，模仿神经芯片扮演着首要的人物。由于这些问题不要求精确的数学核算，而首要是对许多的信息流进行调集和并行处理，这方面低精度的模仿技能从硅片面积、速度和功耗来看具有相当大的优势。可是模仿芯片的抗搅扰性差，规划中需求考虑对环境要素改动引起的差错进行补偿，十分费事；它的另一个缺陷是，制造一个突触有必要考虑权值存储的杂乱性，一起要求放大器在很宽的规模内呈现线性[5],[6]。
,2用数字技能完结硬件神经网络
用凹凸电平来标明不同状况的数字电路是信息工业中最常用的技能。数字神经芯片有十分老练的出产工艺，它的权值一般存储在RAM或EPROM等数字存储器中，由乘法器和加法器完结神经元并行核算。对规划者来说，数字神经芯片能够以很高的核算精度,到达32位或许更高完结神经元核函数。别的，用数字技能完结神经网络时，一般能够选用规范单元库或可编程门阵列直接进行电路规划，这样能够大大削减规划时刻[5],[6]。
数字神经芯片不只具有容错性好、易于硬件完结及高精度、高速度的长处。更重要的是有许多数字电路CAD的软件能够作为规划东西运用。但要完结乘/加运算，需求许多的运算单元和存储单元。因而对芯睡面积和功耗要求很高。为了习惯大面积的数字电路的要求，现在许多数字神经芯片都选用了硅片集成技能(Wafer-Scale Integration)。
,3用数模混合技能完结硬件神经网络
出于上述种种考虑，许多研讨人员提出并选用了各种数模混合神经芯片，具有数字及模仿工艺各息的长处而防止各自的缺陷，运算速率高，芯片面积小，抗噪声才干强且易于规划。典型的数模混合信号处理部分则满是模仿的。这种结构很简略与其它的数字体系接口以完结模块化规划。近年来在各种数模混合神经芯片规划中，运用脉冲技能的数模混合神经芯片和运用光互连技能的光电混合神经网络芯片得到了广泛的联络，它们代表神经网络未来展开的方向。
虽然数模混合神经芯片有种种长处，但它也存在着一些缺乏。比方，关于大多数数模混合神经芯片来说，操练学习算法的完结往往需求一个附加的协处理器，这无疑会添加整个神经网络体系的本钱和杂乱性[5],[6]。
2 RBF网络原理和它的硬件完结
RBF网络是一种有导师的三层前馈网络。它最重要的特色是中心隐层神经元的基函数只对输入剩激起部分反响，即只需当输入落在输入空间的 一个部分区域时，基函数才产生一个重要的非零呼应；而在其它状况下基函数输出很小,可近似为零。网络结构如图1所示。
图1(a)描绘了隐层神经元的效果，其间X=(x1,x2,…，Xn)是输入层的输入矢量；C=(w1,w2,…，Wn)是该隐层神经元的中心矢量,每个隐层神经元的中心徉量存储在其与输入各种神经元之间的衔接权中，σ代表宽度,半径；而|| ||标明n维空间中矢量之间的距离,这儿的距离不必定是数学意义上的欧几里得距离，在不同的状况下能够有种种意义；f是隐层神经元的基函数，现在用得比较多的是高斯散布函数。
RBF网络每个输出层结点的输出为其与各隐层神经元输出y的加权求和。按高斯散布函数的界说，隐层神经元的输出y与输入矢量x的函数联络应遵守正态散布，即当X与中心矢量C的距离很矢时，y挨近最大值；反之y值减小。如X与C的距离超越宽度σ(即远离中心时，输出y可近似为零，相当于对输出层没有奉献。这就完结了部分感知。
不难看出，RBF网络用作矢量分类器时，输入层神经元个数由矢量空间的维数决议，隐层神经元个数由模仿类别数决议，每个隐层神经元的中心矢量,与输入层各神经元之间的衔接权都代表一种办法类别。输入矢量与哪个隐层神经元的中心矢量距离近，哪个隐层神经元的基函数输出就大，相应的办法类别对输出层的奉献就大；与哪个隐层神经元的中心矢量距离远，哪个隐层神经元的基函数输出就小，甚至不激活，输出0，相应的办法类别当然就不会影响RBF网络的输出，矢量和办法类别的分类由此完结。
相关于网络结构的简略，RBF网络权值的操练办法要杂乱一些。一般分为下面的两个进程。
①隐层和输入层之间的权值选用无教师聚类办法操练，最常用的是KNN法,K-Nearest-Neighbor。它的根本思想是先设定操练样本的一个子集；再用办法分类算法LBG由这个子集构成N品种的办法，即把子会集的样本归类；然后，按次序处理子集外的操练样本：对任相同本X，找出K个与X距离最近的矢量,随意找，只需近就行，核算这K个矢量别离归于N个办法品种的数目，哪个办法品种包含的最近矢量最多，X就归于哪个办法品种。
将输入的操练样本聚类后，每个办法品种中一切样本矢量的平均值就代表该隐层神经元和输入层之间的权值,中心矢量；而一切样本矢量与中心矢量的平方差的平均值就代表宽度σ。这样就做出了各个隐层神经元的悉数参数。由于这种办法只需求输入操练样本就能够进行分类，无须知道操练样本的抱负输出，因而被称为无教师办法。
②输出层和隐层之间的权值选用有教师聚类办法操练。简洁有用的一种办法是：在确认隐层和输入层之间的权值之后，把操练样本矢量和其抱负输出代入RBF网络，然后推出各个输出层神经元和隐层之间的权值。
能够看出，需求分类的办法类别数的添加总能够经过不断添加三层RBF网络隐层神经元数来完结，意义十分直观。由于其学习进程为两步，且每一步的学习算法都十分有用，所以它的学习速度很快。RBF网络首要适用于处理已知的大规划分类问题，比方图画方针盯梢、面部和双眼的生物图画辨认等。
对RBF网络的硬件完结技能，现在存在着不同的观念。但就有大规划分类和实时要求的办法辨认问题而言，数字电路技能是最合适的挑选，原因有以下几点：
①RBF网络用于手写字符辨认、生物图画辨认、自然言语了解这样的领域时，需求分类的办法类别数往往不计其数，所以要求隐层神经元数极大，单片神经芯片很难完结。运用数字神经芯片，网络的扩展十分简略，一般不需求外围逻辑器材而只需电阻就能够完结；而用数字神经芯片由于精度高，理论上能够无限并行扩展，且功用不下降。
②一个有用的办法辨认体系，分类的办法往往会跟着样本与环境的改动而改动，这就需求不断调整权值。数字神经芯片的权值存在数字存储器中，存储和康复都很便利。这样用于办法辨认体系的RBF网络的权值易变性得到了确保。
③办法辨认体系对特征矢量提取方针的预处理是比较困难的作业。预处理效果欠好时，RBF网络的输入往往含有噪声。数字神经芯片在抗搅扰性方面与其它V LSI技能比较，显着具有无与伦比的优势。
④办法辨认的要求包含含糊匹配和精确匹配两种。当用RBF网络完结精确匹配时，模仿技能完结不了这个要求，此刻，数字神经芯片是防止过错输出的唯 一挑选。
3 ZISC技能及其在办法辨认中的运用
虽然人们现已在神经网络的硬件完结上做了许多的作业，并完结了许多不同的网络结构和算法；可是RBF网络的硬件完结作业却了了无几。这阐明起伏当时的IC技能完结RBF网络的功用对规划水平的要求是比较高的，因而，本文介绍的这种商业芯片ZISC就成为了办法辨认体系的一种有价值的神经网络硬件渠道。
无指令核算机ZISC是国际闻名的IBM试验室的一项立异性科研成果[7]，它选用数字电路技能完结了RBF神经网络及KNN学习算法的集成电路芯片。作为ZISC芯片的协作发明人与授权出产商，美国Silicon Rcognition公司专业从事ZISC技能推行，其出产的ZISC036是一颗含有36个隐层神经元，专门用于各种办法辨认矢量分类的集成电路。以下列出了它的一些首要特色与功用：
*运用RBF网络模型，无须编程而只须给它操练样本，即能完结学习和自习惯辨认；
*全并行运算，办法分类速度与隐层神经元存储的矢量数量彻底无关；
*无须外围逻辑电路即可完结多片ZISC036级连，办法分类数量及神经网络规划没有约束；
*输入和存储的矢量重量数目从1～64个可调,每个重量8位；
*超快速度，64个重量的特征矢量的辨认在4.8ms内完结,主频时钟20MHz；
*用寄存器存储神经网络大局信息与神经元信息和权值；
*CMOS和TTL兼容的I/O，TQFP144封装，5V规范电源供电。
不难看出，运用这种神经网络芯片不需求操作体系和编程言语，首要的作业便是操练它和让它学习。因而，用它开发面向消费类的办法辨认产品是一种简略且有用可行的办法，能够大大地缩短研制周期。
本文给出了用六片ZISC036级连，经过印制电路板完结的通用办法辨认体系。图2为这个别系的整体框图。
体系经过PCI总线接受待辨认的办法原始数据。数字存储在2个8MB高速DRAM区中。神经网络操控器选用Xilinx Virtex FPGA，它的首要功用是完结对原始数据的特征矢量提取并输入到ZISC036芯片阵列中。能够运用规范的FPGA开发东西生成不同的RBF文件，然后完结不同的特征矢量提取电路。ZISC036芯片阵列依照三描绘的办法一个个次序接受矢理输入，然后进行并行的学习和分类，辨认成果作为输出回来。只需批改FPGA中的特征矢量提取电路和界面程序，就能够完结图画、话音等各种不同的办法辨认程序，只需批改FPGA中的特征矢量提取电路和界面程序，就能够完结图画、话音等各种不同的办法辨认功用。这个通用办法辨认体系的功用以传统CPU或DSP的方针来衡量，相当于13.2GPS,每秒履行132亿条指令。
用上述体系能够完结如图画方针盯梢、图画辨认、数据发掘等许多实时性要求很高的办法辨认和分类功用。以下用一个自习惯图画方针盯梢的试验作为比如，视频图片演示成果如图3所示。
图3的视频图片从一段AVI文件中捕获。首要从初始的视频帧中选定轿车的图画，提取其纹路特征作为操练样本输入到ZISC神经网络。然后，ZISC神经网络在后面接下来的视频帧中查找类似的图画纹路办法并圈定盯梢方针的坐标。假如发现所盯梢方针的办法产生改动，ZISC神约网络能够自动学习新的特征并树立一个新的办法存入神经网络。经过不断地比较已存入神经网络的办法和所盯梢方针之间的差异，体系就能够辨认方针，然后在拥堵的布景和改动的环境下一直锁定方针。试验用视频图片为320×240像素，盯梢方针扫描规模为20×20像素。
篇4
要害词： GIS局放信号 小波去噪 辨认办法
GIS局放信号小波剖析的原理树立在傅立叶剖析的根底之上，在频域和时域这两个方面进行了有用的调整，是对后者剖析办法的有用进步。小波剖析具有多分辩率的特色，在低频段的区域内能够运用较高的频率分辩率和较低的时刻分辩率，而在高频段的区域内则运用较低的频率分辩率和较高的时刻分辩，运用该辨认办法完结GIS局放信号小波去噪的意图。
一、小波剖析的根本原理
小波剖析的根底在于小波基原理的运用，国际上第一个小波基是由Strongberg J.O在1982年提出的。小波在改换特征上具有“变焦距”的特征，也便是上面所说的能够依据其自身的特色结合实践环境的要求改动时频窗口的巨细，然后改动部分放电信号测验才干的精确度。当频率越来越高的时分，小波的频宽越来越窄，这种特性反响到局放测验中就变成了当噪声频率越高时，小波检测在时刻上的跨度上越窄，在空间的跨度上越长，然后能够抓居处检测规模的细微规模，因而，小波在运用上有“数学显微镜”之美誉。
二、信号的小波分化特性
1.小波分化特性的重要性
GIS局放测验得到的信号是离散的，在运用小波原理进行剖析的时分有必要了解信号在小波原理下的分化特性，这样才干更好地在实践进程中运用小波剖析到达GIS局放测验的去噪效果。经过许多的研讨标明，在GIS局放进程中布景噪声在一切检测到信号中占了许多一部分，并且办法多种多样，比方说有接连的周期性搅扰、脉冲型搅扰，还有更多白噪声搅扰等。现在来讲，GIS局放信号中的去噪进程首要是指去除白噪声关于信号检测的搅扰影响。 布景噪声的搅扰加大下场放信号检测的难度。在剖析信号的小波分化特性时，咱们需求知道部分放电这一物理进程产生时刻实践上十分时刻短，并且在绝缘材料中的运动办法也十分乱七八糟，这正是局放信号检测的难度地点。小波原理之所以在GIS局放检测中有其一起的魅力，正是由于其局放信号分化的一起性。
2.依据离散小波剖析原理的去噪效果
离散小波剖析原理是小波剖析手法中的重要组成部分，是GIS局放信号检测去噪进程的重要手法。依照时刻频率和空间频率的设定值产生的不同效果，离散小波剖析能够简略地分为三品种型。
,1强制型消燥处理办法。从实质原因上来讲，部分放电产生的原因首要有电介质散布不均匀、制造工艺中呈现气泡和杂志等。比方在绝缘材料的制造进程中由于不同电介质的膨胀系数纷歧样，制品呈现不同的密度，使部分区域接受的电压纷歧样。当电压值超越其接受值的时分就导致了部分放电。介质的搅扰效果越大，则局放越显着。强制型消燥的处理办法便是人为地去除一些高频率信号的影响，把频段操控在某一区域进行检测，这种办法虽然使观测成果比较会集，可是简略丢掉有用的信号。
,2默许阈值型消燥处理办法。该办法运用检测设备中自带的数据库，经过恰当刷选，然后对局放信号进行消燥。该办法比强制型消燥办法愈加科学，可是依然有或许扫除去许多有参考价值的测验信号。
,3待定值消燥型处理办法。这种办法结合了强制型和默许阈值型的消燥办法，经过在设备上设置多个参考点，用户能够依据自身产品的特性，运用环境的要求等详细状况预先设定参考值的上下线规模，在这一参考值规模内设备依据自带的数据库自动进行信号的消燥效果。这种消燥办法愈加科学化，可是对局放测验设备的操作提出了更高的要求。
三、小波去噪办法辨认办法
部分放电进程在时刻上是十分时刻短的，相同，其在空间上运动轨道也是飘忽不定的，咱们需求设定一个坐标性判别其运动办法，才干进一步依据小波剖析原理剖析GIS局放测验信号的去噪辨认办法。
咱们以神经网络的局放办法作为特定的比如，扼要地阐明小波去噪办法的辨认办法，该坐标系也是现在运用得最广泛的一种。咱们以神经网络体系举例阐明小波去噪办法的辨认首要是由于神经网络体系是一个高度杂乱的体系，从单一的神经元结构剖析其功用和结构是十分简略，这比如在整个小波辨认办法中的根本单元――小波基相同。小波基在整个辨认办法中是结构和功用最简略的部分，也是咱们剖析小波去噪辨认办法的根底。
由此咱们能够想象小波去噪辨认体系是类似于神经网络的杂乱体系，虽然其根本单位小波基的运转是十分简略的，但整个网络体系充满着许多自学习和改动的要素，假定有一个不知道信号进入到该体系中，小波去噪办法体系就会依据原有的映射联络，这些映射联络是在长时刻的自学习和改动中构成的，将该信号分配到必定的输出状况中，然后完结悉数输入信号的分配进程。那么在待定值消燥型准则的效果下，必定领域内的信号在能被搜集成为有用的采样点，这一待定值的设定反映在该体系中便是有部分不知道信号进入体系中时，即咱们所说的布景噪声，将成为无效值而被扫除在采样点之外。
四、结语
本文扼要地介绍了在小波准则下测验GIS部分放电信号的去噪原理和办法辨认办法举例，显着在局放信号的检测中频宽的设定对局放信号检测的精确性起着至关重要的效果，小波去噪的特功用够有用地满意GIS局放信号检测的要求，应该得到咱们满足的重视。
参考文献：
［1］胡明友，谢恒茎等.依据小波准则按捺部分放电监测中平稳性搅扰的滤波研讨.我国电机工程学报，2000.1，VOL20，,1.
［2］王晓芙等，电力设备部分放电丈量中抗搅扰研讨的现状和展望电网技能.电工技能学报，2000.6，VOL24，,6.
篇5
要害词：战略 解题才干 进步
中学数学教育的意图，归根到底在于培育学生的解题才干，进步数学解题才干是数学教育中一项十分重要的使命。进步学生解题才干一直贯穿于教育一直，咱们有必要把它放在十分重要的方位。那么，怎么才干进步学生的解题才干，面临一个数学问题，采纳什么处理办法是咱们首要进行的思想。数学中许多问题可用固定的算法求解，但有更多的标题其算法是预先不知道的，需求运用某些战略来辅导处理。战略在数学问题的处理中发挥着极为重要的效果，学生假使没有把握一些解题战略或许所用解题战略不恰当，则常常导致无从下手或误入歧途，这样不只不能处理问题，糟蹋学生的时刻，还会冲击学生的学习积极性。
办法辨认战略便是当你触摸到数学问题之后，首要要区分题意图类型，以便与已有的常识、经历产生联络。也便是当咱们面临的是一道曾经没有触摸过的生疏标题时，要设法把它化为曾经解过的或比较了解的标题，以便充沛运用已有的常识、经历或解题办法，顺畅地解出原题。假如咱们在教育进程有知道培育学生的办法辨认战略知道，那会对学生的思想、数学解题水平有很大的协助。使学生在往常学习中进步功率，在考试时十拿九稳，对学生数学本质的进步起到事半功倍的效果。进步学生的办法辨认战略知道常用的途径有：
,一回想
解数学题，就其自身而言，要有清晰的意图性——完结题意图要求，一直想着方针，环绕方针，进行改换，要捉住条件，紧扣方针，广泛联想，要想处理问题，有必要深入熟练地把握常识，对常识构成条件反射，看到问题条件和方针，就能联想到与此有关的常识，这是剖析问题的根底。
在处理问题之前，咱们应充沛联想和回想与原有问题相同或类似的常识点和题型，充沛运用类似问题中的办法、办法和定论，然后处理现有的问题，如
例1 已知sinα-2cosα=0，求3sin2α+3sinαcosα-2cos2α。
剖析：联想sin2α+ cos2α=1常常在求三角函数值的时分运用，把1用sin2α+ cos2α代换进行化简变形。
例2 已知f,x=2+log3x,1≤x≤9，求函数y=[f(x)]2+f(x2)的最大值和最小值并求出相应的x的值.
剖析: 联想二次函数配方求最值，换元求规模，配方求出y的最大值和最小值。
要想在这一方面有所进步，往常做完操练后，要重视反思这一环节，留意常识点的体系化和办法的优化。要把解题的进程笼统构成思想模块，留意办法的搬迁和问题的拓宽延伸。教师要不断的辅导，不断的演示，协助学生构成某类数学问题的心思操作办法，并将其表象印入头脑中，并使学生内化为自己的知道，往后解题时自动运用。
,二多视点剖析 关于同一道数学题，常常能够不同的旁边面、不同的视点去知道，留意思想的宽广性，多视点多旁边面地思考问题，若从一个方面看问题思路受阻，就应调整调查剖析问题的视点，从另一个旁边面思考问题，从不同的方向探究思路，“游刃有余”，因而，依据自己的常识和经历，当令调整剖析问题的视角，有助于更好地把握题意，找到自己了解的解题方向。
例1 假如cos2θ+2msinθ-2m-2
剖析：直接求解会感到无从下手，咱们比较了解求三角函数式的取值规模，处理这个问题咱们转化思路，便是不直接求常数m的取值规模，转而去求三角函数式的取值规模，问题便可应刃而解。
例2 三个方程x2+4ax-4a+3=0,x2+(a-1)x+a2=0,x2+2ax-2a=0中，至少有一个方程有实数根，务实参数a的取值规模。
剖析：关于一个方程有实数根的条件，学生很了解，但三个方程至少有一个方程有实数根的条件，学生或许一时无法下手。或许直接求每个方程有实数根的条件，然后去对这些条件进行处理，有些学生交并分不清，成果犯错，有些学生虽然知道求并集，但由于条件较多，很简略在求并集的时分犯错。咱们转化思路，不求三个方程至少一个方程有实数根的条件，转而去求三个方程都没有实数根的条件，然后求补集。问题即可处理。
在这一方面要想使学生有所进步，应该加强培育学生全方位、多视点地思考问题，找出处理问题的办法，并加以推行，并鼓舞学生根究某种办法或定理所运用的各种问题，扩展它的运用规模。要求教师在课堂上创设一个宽松的思想环境，使学生在其间有自动学习的愿望，使学生成为自在的思想者。
,三恰当结构辅佐元素
数学中，同一资料的标题，常常能够有不同的表现办法；条件与定论,或问题之间，也存在着多种联络办法。因而，恰当结构辅佐元素，有助于改动题意图办法，交流条件与定论,或条件与问题的内涵联络，把生疏题转化为了解问题。
例 PA、PB、PC是空间从P引出的三条射线， 若∠APB=∠BPC=∠CPA=45°，求二面角B-PA-C的平面角的余弦值。
剖析：在三条射线上截取PA=PB=PC，结构一个正三棱锥，问题即可处理。
在这一方面学生要想有所进步，要求教师在教育进程中，规划相应问题，对学生进行详细的、详细的解题操练。
,四凭借“形异质同”
有些数学问题，表面上看结构、条件毫不相干，却具有内涵的一起点，因而，从问题的特性中寻觅共性，把不同的问题归结为相同的问题。
例1 上一个n阶台阶，每次可上一级或两级，设上法的种数为f(n)，试求f(n)关于n的函数解析式。
剖析：有最终一次上一级和最终一次上两级两类上法，所以，f(n)= f(n-1)+f(n-2)
,2一对小兔子一个月后是一对老练的大兔子，再过一个月一对大兔子繁衍一对小兔子，现有一对老练的兔子，问第n个月末，兔子最多有多少对？
剖析：问题,2看上去问题,1毫不相干，但它们却具有内涵的一起点，即两个问题有一起思想办法，即都要考虑前两次的景象，都归并到“斐波那契数列”上。
别的对已有定理公式的辨认，对已有解题规则，办法的剖析，与类似问题及较简略的类比等均属办法辨认战略领域。
解题有法而无定法。解题要灵敏多变，考究战略，既要遵从惯例，更要打破惯例。只需这样，才干精确地敏捷地找到解题的打破口，有用地进步解题才干。这正是：战略对了头，学习有劲头。
学习有劲头，更上一层楼。
关于解题战略的教育，咱们教师还应该知道到：虽然解题战略自身是脱离详细内容的，但要学生把握这些解题战略，并运用到往常处理数学问题中，只是给学生供给一般化的战略信息是不行的。应对学生把握的解题战略的运用情形与办法进行体系操练，并且操练要十分清晰、详细和详细，应结合详细内容，偏重教会学生有关怎么运用解题战略，在什么状况下运用这些战略，为什么要运用这些战略等方面的常识。
参考文献：
1.《数学办法与解题研讨》，李明振；上海科技教育出版社。
篇6
Abstract： With the popularization of mobile applications， as the basis for recognition malicious behavior， behavior pattern analysis of mobile application terminal has become a hotspot of current research. This paper， starting from system environmental data， and by monitoring many aspects of system data to establish Hidden Markov Model， uses this model to take hidden Markov valuation calculation for the system environmental data generated by the subsequent behavior， so as to realize the recognition of subsequent behavior patterns. Meanwhile in the subsequent recognition process， the model has to be continuously optimized. Through experiments， it shows that the approach has some validity， in order to provide more possibilities for behavior pattern recognition of mobile application terminal.
要害词：移动运用端；隐马尔可夫模型；行为办法
Key words： mobile application terminal；Hidden Markov Models；behavior pattern
中图分类号：TP311.5 文献标识码：A 文章编号：1006-4311,201619-0173-03
0 导言
在移动设备敏捷遍及的今日，展开移动安全性研讨势在必行。现在针对移动运用端歹意行为检测的办法首要是对移动运用端的运用程序进行反编译，剖析其源码是否存在于歹意行为代码特征库，以此作为评判规范。但跟着歹意行为代码特征库的不断添加会导致体系开支增大，检测速度变慢。别的，跟着黑客们运用的代码混杂技能的展开，也使之能够躲避这种静态剖析手法[1]。
由于程序的运转会构成体系环境数据改动，所以体系环境数据能够反映体系运转状况。本文提出一种依据隐马尔可夫模型的行为办法辨认办法，经过对移动运用端体系运转环境的CPU运用率、内存运用率、进程数、服务数、流量数监测取得时刻序列数据，对特定行为进行隐马尔科夫建模，以待测行为的时刻序列与特定的模型之间类似度为评判规范，并在每次评判之后优化模型[2]。该办法意图在于有用辨认行为办法，对移动端歹意行为剖析的后续研讨供给条件，丰厚了行为检测的手法，具有必定的有用价值。
1 马尔可夫模型介绍
2 隐马尔可夫模型介绍
2.1 隐马尔可夫模型
在马尔可夫模型中，每一个状况代表一个可调查的事情。而在隐马尔科夫模型中调查到的事情是状况的随机函数，因而隐马尔科夫模型是一两层随机进程，其间状况搬运进程是不行调查的，而可调查的事情的随机进程是荫蔽的状况转化进程的随机函数,一般随机进程[3]。关于一个随机事情，有一调查值序列：O=O1，O2，…Ot，该事情隐含着一个状况序列：Q=q1，q2，…qt。
2.2 隐马尔科夫模型运用条件
假定1：马尔可夫性假定,状况构成一阶马尔可夫链P,qi|qi-1…q1=P,qi|qi-1
假定2：不动性假定,状况与详细时刻无关P,qi+1|qi=P,qj+1|qj，对恣意i，j树立。
假定3：输出独立性假定,输出仅与当时状况有关P,O1，…OT|q1，…，qT=∏P,Ot|qt
隐马尔科夫模型在处理实践问题的进程中，需求事前知道早年一个状况St-1，进入当时状况St的概率P,St|St-1，也称为搬运概率，和每个状况St产生相应输出符号Ot的概率P,Ot|St，也称为发射概率。描绘它的数学表达式为：λ={N，M，A，B，∏}，下面临各个参数逐个描绘：
N标明隐状况S的个数，其取值为{S1，S2，…，SN}，
M标显着状况O的个数，其取值为{O1，O2，…，ON}，
2.3 隐马尔科夫能够处理的三个问题
①评价问题：已知一个显状况序列O={O1，O2，…，ON}，并且有确认的λ={N，M，A，B，∏}组成的HMM参数，求产生此显状况的概率P,O|HMM有用的处理算法是前向算法。
②解码问题：在己知一个显状况序列O={O1，O2，…，ON}，并且有确认的λ={N，M，A，B，∏}组成的HMM参数，求解最有或许产生此显状况序列的隐状况序列S。较为有用的处理办法是Viterbi算法。
③优化问题：在己知一个显状况序列O={O1，O2，…，ON}，经过对参数N，M，A，B，∏的批改，使得产生此显状况的概率P,O|HMM最大，有用处理算法是Baum-Welsh算法[4，5]。
3 依据隐马尔科夫的移动运用端行为办法辨认
本文经过对移动运用端的下载，看视频，打电话，聊微信、QQ，视频通讯，网络语音通讯，卫星导航及混合行为下这8个特定行为进行监控，抽样出许多时刻数据序列，对每一个时刻序列进行归一化处理，归纳多方面归一化成果给出对应编码序列，以此树立出不同行为的隐马尔可夫模型，关于待辨认的时刻序列进行隐马尔可夫模型的估值核算，即类似度核算。取类似度核算值最大所对应的隐马尔科夫模型的行为办法作为待辨认序列的行为办法判别成果。一起运用该待测序列对其所匹配的隐马尔可夫模型进行优化，以便进步之后辨认精确率。
3.1 获取时刻序列
本文以Android渠道为例，获取运转环境的CPU运用率、内存运用率、进程数、服务数、流量运用状况等五方面信息的时刻序列。详细完结是在固定时刻距离，经过渠道API调用拜访和解析相关体系文件来获取Android渠道运转环境的CPU运用率、内存运用率、进程数量、服务数量、流量数等信息[6，7]。
3.2 时刻序列归一化处理及归纳编码
对每一个时刻序列进行归一化处理[8]，使其平均分配在[0，1]上5个均分区间内,事实上均分区间数目越多越能反映实在的动摇趋势，但考虑到编码杂乱度，本文挑选归一化区间为5个均等分。并为其分配{1，2，3，4，
