介绍了一个模糊神经网络专家系统.研究了知识的“溶化”技术，即导入算法、无搜索快速推理、寻出算法，井对用三分法确立输入变量隶属函数及模糊规则求精作了有益的研究.用以上理论对连续推钢式加热炉进行控制，控制效果较为理想

7.1 基本概念 7.2 三种Ｏ(n2)的简单排序 插入排序 直接插入排序 二分法插入排序 冒泡排序 选择排序 7.3 Shell排序 7.4 基于分治法的排序 快速排序 归并排序 7.5 堆排序 7.6 分配排序和基数排序 7.7 各种排序算法的理论和实验时 间代价 7.8 排序问题的下限

根据知识工程理论研究了一种智能型的优化设计软件系统IOPS。该系统集成了连续、离散、随机变量的14种优化算法程序,并通过模型诊断、算法选择、多目标决策、参数设计等专家系统的并行操作,实现了优化设计过程自动化

（一）理论课程 1《数据库原理》 2《Java 程序设计》 3《操作系统原理》 4《人工智能导论》 5《信息安全概论》 6《数据结构与算法》 7《ARM 基础》 8《嵌入式系统技术》 9《计算机科学导论》课程互动式教学大纲 10《数字电路基础》 11《智能算法应用开发》 12《Web 前端开发技术》 13《C 语言程序设计》 14《Linux 程序设计》 15《面向对象程序设计》 16《数值计算方法》 17《云平台系统》 18《云应用开发》 19《软件工程经济学》课程设计教学大纲 20《软件工程经济学》课程设计教学大纲 21《网络编程技术》 22《移动开发技术》 23《计算机网络》 24《单片机基础》课程设计教学大纲 25《计算机组成原理》课程设计教学大纲 26《大数据分析(数据挖掘)》 27《智能算法程序设计(Python)》 28《Java Web 应用开发》 29《web 开发技术》 （二）实验课程 30《数据库原理》 31《Java 程序设计》 32《操作系统原理》 33《文献检索》 34《智能算法程序设计(Python)》 35《信息安全概论》 36《数据结构与算法》 37《ARM 基础》 38《Linux 系统管理》 39《嵌入式系统技术》 40《数字电路基础》 41《智能程序应用开发》 42《Web 前端开发技术》 43《C 语言程序设计》 44《Linux 程序设计》 45《面向对象程序设计》 46《数值计算方法》 47《云平台》 48《云应用开发》 49《软件工程经济学》课程设计教学大纲（实验） 50《网络编程技术》 51《移动开发技术》 52《计算机网络》 53《单片机基础》 54《计算机组成原理》 55《大数据分析(数据挖掘)》 56《智能算法程序设计(Python)》 57《Java Web 应用开发》课程 58《web 开发技术》课程 （三）实践课程 59《C 语言程序概念实训》 60毕业设计教学大纲 61《毕业实习》教学大纲 62《程序设计技能实训》 63《计算机综合项目实训》 64《专业教育》 65《嵌入式系统技术》 66《云应用开发课程设计》 67《C 语言课程设计》

现有的基于密度的数据流聚类算法难于发现密度不同的簇，难于区分由若干数据对象桥接的簇和离群点.本文提出了一种基于共享最近邻密度的演化数据流聚类算法.在此算法中，基于共享最近邻图定义了共享最近邻密度，结合数据对象被类似的最近邻对象包围的程度和被其周围对象需要的程度这两个环境因素，使聚类结果不受密度变化的影响.定义了数据对象的平均距离和簇密度，以识别离群点和簇间的桥接.设计了滑动窗口模型下数据流更新算法，维护共享最近邻图中簇的更新.理论分析和实验结果验证了算法的聚类效果和聚类质量

针对齿轮局部损伤故障振动信号的特点,在对其数学模型进行循环平稳性理论分析的基础上,定义并解释了幅值调制能量比系数概念及其算法.通过仿真分析,基于信号累积量的循环相关分析算法不仅能完整地保留信号中的周期成分,还具有较好地抑制加性平稳噪声的优点,利于幅值调制能量比系数指标的提取.实验表明,结合齿轮运转的样本数据,幅值调制能量比系数值随着齿轮局部损伤程度的加大而增大.该方法可以发现齿轮在运转中某轮齿发生的局部损伤故障及损伤程度

2.1 信道编码定理 2.2 硬判决与软判决 2.3 基本信道模型及其信道容量 2.4 MAP与ML算法 2.5 因子图与和积算法

1 感知机存在的一个问题 2 线性可分 SVM SVM 的种类 函数间隔和几何间隔 学习的原始最优化问 题 凸优化问题 线性可分 SVM 学习算 法—最大间隔法 支持向量与间隔边界 拉格朗日对偶性 KKT 条件 线性可分 SVM 学习的 对偶算法 3 线性不可分 SVM 线性 SVM 学习的对偶 算法 线性 SVM 学习算法 线性不可分时的 SV 合页损失函数 4 非线性 SVM 与核函数 希尔伯特空间 核函数的定义 核函数的选取 核技巧在 SVM 中的应 用 非线性 SVM 算法 5 序列最小最优化算法 SMO 算法的基本思路 两变量二次规划的求 解方法 两个变量的选择方法

1 基本原理 2 多分类器结合 3 装袋 Bagging 4 提升法 Boosting（提升法） AdaBoost 算法 AdaBoost 算法的另一个解释

1 历史进程 2 预备知识 采用线性激活函数的神经元 采用阈值激活函数的神经元 采用 S 形激活函数的神经元 3 异或问题 4 多层感知机到底在做什么？ 5 Tilling（耕种，耕作）算法 6 可微激活函数函的多层感知机学习方法 误差 e 的表示 误差的反向传播 反向传播算法 计算例子