王国胤
一直从事智能信息系统理论及应用研究,在Rough集理论、神经网络、集成智能系统、网络与信息安全等领域开展了研究。
个性化签名
- 姓名:王国胤
- 目前身份:
- 担任导师情况:
- 学位:
-
学术头衔:
博士生导师
- 职称:-
-
学科领域:
计算机科学技术
- 研究兴趣:一直从事智能信息系统理论及应用研究,在Rough集理论、神经网络、集成智能系统、网络与信息安全等领域开展了研究。
王国胤,男,1970年生,工学博士,教授,博导,全国优秀教师,全国高等学校优秀骨干教师,重庆青年五四奖章获得者,重庆市学术技术带头人,IEEE高级会员,国际粗糙集学会常务理事,中国人工智能学会常务理事兼粗糙集与软计算专业委员会主任委员,中国计算机学会人工智能与模式识别专业委员会常务理事,中国神经网络委员会委员,重庆计算机学会副理事长,重庆计算机用户协会副理事长,重庆邮电学院计算机应用技术学科(省部级重点)负责人、计算机科学与技术学院院长、计算机科学与技术研究所所长,上海交通大学、西南交通大学、电子科技大学和西安电子科技大学兼职教授。1992年毕业于西安交通大学计算机软件专业,获工学学士学位;1994年毕业于西安交通大学计算机软件专业,获工学硕士学位;1996年毕业于西安交通大学计算机组织与系统结构专业,获工学博士学位;1998年至1999年以访问学者身份工作于美国University of North Texas 1年;1999年以访问学者身份工作于加拿大University of Regina 2个月。2000年入选教育部高等学校骨干教师资助计划,并于2002年被评为高等学校优秀骨干教师。1992年以来,一直从事智能信息系统理论及应用研究,在Rough集理论、神经网络、集成智能系统、网络与信息安全等领域开展了研究,主持完成了国家863计划、国家自然科学基金、国家科技部攀登计划等十多项省部级科研项目,现正主持国家自然科学基金等多项科研项目的研究工作,先后多次赴香港、美国、加拿大、日本、瑞典、波兰等地出席国际学术会议和进行学术访问,获省部级科技奖励1项,出版学术专著1部,主编国际会议论文集2本和全国学术会议论文集4本,在国内外发表100多篇学术论文,其中被国际权威检索刊物SCI、EI等收录70多篇。组织召开了4届中国Rough集与软计算学术研讨会系列会议,和RSFDGrC2003、WSS2004、ISNN2005、RSFDGrC2005等国际学术会议。王国胤教授还应邀担任了国际科学技术开发协会(IASTED)信息学技术委员会委员,RSFDGrC、WSS、ISNN、RSCTC、IKS、CSS、ICAI、IKE、ICMLA、SCI、MSRAS、ICCI、GrC等10多个国际学术会议程序委员会的主席或委员,国际学术期刊《LNCS Transactions on Rough Sets》编委,《The Journal of China Universities of Posts and Telecommunications》编委,《重庆邮电学院学报(自然科学版)》编委会副主任等职。王国胤教授先后多次受到国家教育部和重庆市的表彰和奖励,重庆市自然科学三等奖(2002)、重庆市青年科技创新奖(2001),王国胤教授领导的计算机科学与技术研究所2002年荣获首届“重庆市十大杰出青年群体”荣誉称号。
-
主页访问
3480
-
关注数
0
-
成果阅读
1018
-
成果数
15
王国胤, 陈龙, 刘心松, 聂能
,-0001,():
-1年11月30日
本文研究了邮政运输调度问题的数学模型和相应的神经网络求解模型。针对邮政运输调度问题的特点和神经网络求解模型中存在的问题,提出了一种启发式算法,实验仿真结果表明启发式算法具有较好的性能。
组合优化,, 邮路优化,, 邮政运输调度,, 神经网络
-
71浏览
-
0点赞
-
0收藏
-
0分享
-
336下载
-
0评论
-
引用
王国胤, 何晓
,-0001,():
-1年11月30日
在没有领域先验知识条件下的不确定知识主动式学习是机器学习领域中的一个难题.本文通过研究决策表和决策规则的不确定性,建立基于粗集表示,度量和处理不确定性信息和知识的理论,并且结合Skowron的缺省规则获取算法,提出了一种不确定性条件下的数据自主式学习模型和方法,解决了这一问题。通过仿真实验,验证了该自主式学习方法的有效性。
不确定性, 粗集, 自主式学习, 知识获取, 机器学习
-
69浏览
-
0点赞
-
0收藏
-
0分享
-
244下载
-
0评论
-
引用
【期刊论文】一种基于Rough Set理论的属性约简及规则提取方法*
王国胤, 常犁云, 吴渝
,-0001,():
-1年11月30日
该文针对Rough Set理论中属性约简和值约简这两面三刀个重要问题进行了研究,提出了一种借助于可辩识矩阵(discernibility matxix)和数学逻辑运算得到最佳属性约简的新方法,同时,借助该矩阵还可以文便地构造基于Rough Set理底细的多变量决策树,另外,对目前广泛采用的一种值约简策略进行了改进,最终使得到的规则进一步简化。
Rough Set理论, 属性约简, 值约简, 多变量决策树
-
72浏览
-
0点赞
-
0收藏
-
0分享
-
182下载
-
0评论
-
引用
王国胤
,-0001,():
-1年11月30日
决策表是Rough集理论的处理对象,其核属性的计算往往是信息约简过程的出发点和关键。本文将针对决策表核属性的计算问题,对前人的一些理论观点进行讨论,在认识这些理论观点的缺陷的基础上,探讨Rough集理论代数观和信息观这两种形式的关系,发现它们在核属性和约简上的差异,提出决策表核属性的计算方法。
Rough集,, 决策表,, 核属性,, 代数观,, 信息观
-
71浏览
-
0点赞
-
0收藏
-
0分享
-
299下载
-
0评论
-
引用
【期刊论文】基于NARA模型和筛选方法的并行神经网络体系结构*
王国胤, 施鸿宝, 邓伟
,-0001,():
-1年11月30日
本文将介绍一种并行的神经网络体系结构(PNN),它是以NARA模型和筛选方法为基础的。PNN由一个控制网络CN和一组识别网络RNi(i=1,2,3,...,p)组成。它能够自动地将复杂问题分解为简单问题,容易实现追加学习,并且可以分析其内部状态,其结构也是模块化结构,易于硬件电路实现,可以作为一种计算机运算部件,而且PNN具有较高的运行效率。
-
156浏览
-
0点赞
-
0收藏
-
0分享
-
209下载
-
0评论
-
引用
王国胤, 于洪, 杨大春
,-0001,():
-1年11月30日
Rough集理论是近年来发展起来的一种有效的处理不精确、不确定、含糊信息的数学理论方法,在机器学习、数据挖掘、智能数据分析、控制算法获取等领域取得了很大的成功。研究者从不同的角度对这个理论进行研究。本文将从信息论观点对Rough集理论的基本概念和主要运算进行分析讨论,通过与Rough集理论的代数观点进行比较分析,得到这两种观点下的一些等价性质和不同的特性,并基于条件信息熵提出决策表的约简算法。
Rough集,, 信息熵,, 近似集,, 等价性,, 知识约简
-
123浏览
-
0点赞
-
0收藏
-
0分享
-
194下载
-
0评论
-
引用
王国胤, 施鸿宝
,-0001,():
-1年11月30日
本文以神经网络方法和字符识别研究为背景,提出了种适用于汉字识别的并行神经网络(PNN)方法:它用一个称为控制网络的神经网络CN对汉字全集进行组分类,用一组称为识别网络的神经网络RN对各粗类进行细分类,从而完成对汉字的识别。PNN方法与人类学习识字的过程相似,可以不断学习,最终完成对所有汉字的识别。PNN的各网络模块并行工作,具有极高的系统工作效率并且结构模块化。易于硬件电路实现。本文选取了120个汉字,用PNN神经网络模型进行学习和识别实验还选取了30个汉字以及一些具有多种书写方法的汉字进行了追加学习实验。实验结果表明,PNN神经网络模型能够有效地应用于汉字识别研究。
模式识别,, 汉字识别,, 神经网络,, 并行体系结构
-
36浏览
-
0点赞
-
0收藏
-
0分享
-
216下载
-
0评论
-
引用
王国胤, 施鸿宝
,-0001,():
-1年11月30日
本文提出了具有三值/多值逻辑表达能力的神经元模型(TMLN),即三值/多值“逻辑与“神经元(TMLN-AND)和三值/多值“逻辑或“神经元(TMLN-OR)。由这种逻辑神经地连接而成的多层神经网络(TMI。NNs)能够实现三值/多值逻辑推理系统本文还给出了TMLNNs的学习算法。从TMLNNs网络中易抽取到三值/多值逻辑推理系统。本文还给出了TMLNNs的学习算法。从TMLNNs网络中容易抽取到到三值/多值逻辑规则知识,可以将TMLNNs用于三值/多值逻辑规则知识的自动获取,TMLNNs模型为神经网络表示逻辑知识提供了理论基础。
神经网络,, 神经元,, 逻辑推理,, 知识表示
-
95浏览
-
0点赞
-
0收藏
-
0分享
-
107下载
-
0评论
-
引用
【期刊论文】TMLNN: Triple-or Multiple-valued Logical Neural Network
王国胤, Wang Guoyin, and Shi Hongbao
,-0001,():
-1年11月30日
will discuss the problem of expressing and dealing with logical knowledge using neural network in this paper. A novel neuron model (triple- or multiple-valued logical neuron, or TMLN) is presented. It can express triple-valued and even multiple-valued logical knowledge. There are two TMLNs, TMLN-AND (triple- or multiple-valued "logical and" neuron) and TMLN-OR (triple- or multiple-valued "logical or" neuron). TMLN-AND can deal with triple- or multiple-valued "logical and" while TMLN-OR can deal with triple- or multiple-valued "logical or". Two simplified TMLNs are presented also. A multi-layer neural network (TMLNN) made up of TMLNs can implement a triple- or multiple-valued logical inference system. The training algorithm for TMLNN is presented and it is proved to converge. Triple- or multiple-valued logical rules can be extracted from TMLNN with easy. TMLNN is a base for expressing logical knowledge using neural network.
-
39浏览
-
0点赞
-
0收藏
-
0分享
-
98下载
-
0评论
-
引用
王国胤
,-0001,():
-1年11月30日
Pawlak教授所提出的经典Rough集理论主要是针对完备信息系统的,利用了不可分辨关系这种等价关系来对对象进行上近似和下近似分类。对于不完备信息系统的处理,需要对经典Rough集理论进行扩充,主要是对不可分辨关系进行扩充。目前已经有了基于容差关系、相似关系和量化容差关系等的扩充Rough集理论。但是,这些扩充也还存在一些局限性,本文将提出一种基于限制容差关系的扩充Rough 集模型,并比较分析这些扩充Rough集模型之间的性能。
Rough集, 不可分辨关系, 容差关系, 相似关系, 量化容差关系, 限制容差关系
-
53浏览
-
0点赞
-
0收藏
-
0分享
-
127下载
-
0评论
-
引用