膜计算的非监督学习模型与机理研究

Membrane computing models (known as membrane systems), inspired from various mechanisms and characteristics of cell biology, provide a novel parallel computing theory, method and technology for computer science. Now, one of the key questions which have severely restricted application of membrane computing theory to practical engineering is that these membrane computing models generally lack learning ability. The learning problem of membrane computing is an open-known difficult which needsto be solved urgently. Aiming at unsupervised learning problem of membrane computing, we will deeply research and explore their learning mechanism from starting to construct the learning models of membrane computing. On this basis, several efficient distributed parallel clustering algorithms are developed according to the properties and characteristics of different clustering problems. Furthermore, the learning models and algorithms are tested, validated and evaluated in order to achieve the research objectives. The solutions to the scientific problem in this project will not only provide a class of novel learning models and algorithms for membrane computing, but also give new ideas for and approaches to the development of high-performance computing of computer science

从细胞生物学的各种机制和特征所启发的众多膜计算模型（也称膜系统）为计算机科学提供了一种新颖的并行计算理论、方法和技术。当前，严重地制约膜计算理论在实际工程应用的关键问题之一是这些膜计算模型普遍缺乏学习能力。膜计算的学习问题是膜计算领域亟待解决的一个公开困难问题。针对膜计算的非监督学习问题，拟从膜计算学习模型的构建出发，着力解决膜计算模型的学习机理这一关键问题，在此基础上，依据不同聚类问题的性质和特征，发展出若干高效的分布式并行聚类算法，以及对学习模型和算法进行测试、验证与评价，实现项目的研究目标。这个科学问题的解决将为膜计算应用提供一类新颖的模型和算法，同时也为计算机科学高性能计算的发展提供新的思路和途径。

从生物细胞和神经科学的各种机制和特征所启发的膜计算模型为计算机科学提供了一种新颖的并行计算理论、方法和技术。当前，严重地制约膜计算理论在实际工程应用的关键问题之一是这些膜计算模型普遍缺乏学习能力。因此，膜计算的学习问题是膜计算领域亟待解决的一个公开困难问题。.本项目针对膜计算的非监督学习问题，从模型的构建出发，提出了多种不同的膜计算模型，对其进行理论分析并且探讨了它们的学习机理，发展出多种分布式并行聚类算法以及其它学习算法。在此基础上，探讨了它们在若干实际问题中应用。所取得的研究成果总结如下：.（1）建立了六种由膜计算启发的聚类模型，提出了它们的系统建模方法，发展出若干相应的学习算法（这类聚类学习算法称为膜聚类算法）。.（2）建立了两种基于膜计算的无限脉冲响应（IIR）系统和核自适应滤波模型。.（3）建立了两种膜计算学习模型，包括膜计算诱导的决策树模型、由P系统优化的kNN分类器。.（4）建立了五种模糊P系统模型，提出了它们的系统建模和学习方法，并且应用于电力系统故障诊断和微网能量管理。.（5）提出了五种神经型P系统新模型，建立了这些系统的图灵通用性的理论结果。.（6）提出了分别基于GPU和FPGA的膜聚类算法并行实现方案，并且讨论它们的应用。.本项目对膜计算学习模型和其它变体进行系统且深入的研究，探讨其相关机制和发展出有效的算法。这些应用研究成果的取得，极大地提高了膜计算的应用水平并拓展了其应用范围。