离散数学精品课程建设与改革实践

根据目前计算机专业人才培养和社会需求,结合离散数学课程的特点,提出了课堂教学模块化的新型教学模式,以理论教学为主线,辅以实践教学,让学生充分领略离散数学课程的重要意义。     

快速神经网络无损压缩方法研究

传统的人工神经网络数据编码算法需要离线训练且编码速度慢,因此通常多用于专用有损编码领域如声音、图像编码等,在无损数据编码领域应用较少。针对这种现状,该文详细地研究了最大熵统计模型和神经网络算法各自的特点,提出了一种基于最大熵原理的神经网络概率预测模型并结合自适应算术编码来进行数据压缩,具有精简的网络结构的自适应在线学习算法。试验表明,该算法在压缩率上可以优于目前流行的压缩算法Limpel-Zip(zip,gzip),并且在运行时间和所需空间性能上同PPM和Burrows Wheeler算法相比也是颇具竞争力的。该算法实现为多输入和单输出的两层神经网络,用已编码比特的学习结果作为待编码比特的工作参数,符合数据上下文相关约束的特点,提高了预测精度,并节约了编码时间。     

基于无监督学习的盲信号源分离技术研究

以独立分量分析为主要对象, 描述了盲信号源分离技术的基本模型,介绍了盲分离的主要方法和数学原理, 分析了盲信号源的可辨识性。提出基于神经网络无监督学习的盲分离方法,并改进了分离效果评判指标。在生物信息处理的背景下将人工神经网络和信息理论相结合,解决了盲信号源分离,自适应地求得分离矩阵,且可以同时分离具有正峭度和负峭度的信号源,对盲信号源分离的研究有极大的促进作用。