面向流数据的演化聚类算法

针对传统的聚类算法难以适应流数据在线聚类的问题,本文在演化聚类算法(ECM)的基础上,改进了ECM中聚类中心和聚类半径的更新过程,引入戴维森保丁指数(DBI,Davies-Bouldin Index)作为数据归类的评估准则,提出了一种面向流数据的演化聚类算法(SDECM).实验结果表明,与ECM相比,SDECM在目标函数值、DBI值、准确率和纯度等评估准则方面具有更好的聚类性能.     

基于共轭梯度法的盲分离在线算法

在严格论证盲分离问题与数学上的最优化问题等价的基础上,把问题的重点集中在对该最优化问题的寻优上.由于盲分离最优化问题的目标函数的特点,在欧氏空间中对决策变量(分离矩阵W)进行寻优求解带来诸多复杂因素,寻优算法在弯曲的黎曼空间中动态运行是解决这些问题的一条可行途径.为此,本文在改进 NGA 和 PDFA 算法的基础上,结合在线算法 PDEA 在估计信号的得分函数的较好效果,和求解最优化问题的共轭梯度法较快收敛性能,提出了具有自学习能力,并继承共轭梯度法特点的盲分离在线算法 PDEA-CONJ.此算法应用到盲分离问题中,在混合矩阵严重病态情况下能取得了较好分离效果.实际算例验证了其收敛性和有效性.     

一种基于局部核校准的核评估标准

作为一种独立于具体分类算法的核函数评估标准,核极化中用核函数表示同类输入模式之间的相似性增大而异类输入模式之间的相似性减小,这将导致核极化值的增大。针对该标准未考虑同类输入模式的局部结构信息的保持性,导致限制异类数据可分性的自由度增强的问题,本文提出一种"局部化"的核函数评估标准,称为局部核校准。局部核校准是核极化的自然推广,它不仅能够保持同类输入模式之间的局部结构信息,相对于核极化方法它能够获更好保证数据的可分性。理论分析和UCI数据集上的比较实验均表明局部核校准是一种更好的核函数评估标准。     

基于自适应神经PID改进算法的非线性系统控制

通过研究非线性系统动态特性,分析了一般神经PID控制器的控制特点并在此基础上给出了一种改进算法.通过在线训练和学习来修正参数,实现神经网络自适应调整比例常数PID控制.该算法充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,使得比例常数随着偏差的大小而变化,使目标函数达到最优化.仿侣真结果表明.在对非线性动态系统进行控制时,自适应PID神经网络控制算法具有很强的灵活性和高效性,能取得良好的控制性能.     

权重不平衡有向网络下的分布式优化算法

研究了有向网络下的分布式优化问题,其中每个智能体的局部目标函数的和构成了网络的全局目标函数。本文利用梯度跟踪和比例积分的策略对梯度的平均值进行跟踪,并设计变量对拉普拉斯矩阵零特征值的左特征向量进行跟踪,从而在权重不平衡有向网络下提出了一类基于梯度的固定步长分布式优化算法。将分布式优化算法从无向图推广到了有向图。在局部目标函数和其梯度分别满足强凸和李普希兹连续的情况下,结合凸分析和李雅普诺夫稳定性理论分析算法的收敛性,结果证明所提出的算法能够收敛到优化问题的最优解。     

常微分方程组的演化建模新算法

提出了常微分方程组的演化建模的一种新算法 ,新算法在 3个方面改进了作者原有的算法 :(1)采用新的适应值评估方式 ;(2 )采用一种基于子空间搜索的遗传算法来优化模型的参数 ;(3)将传统的遗传程序设计方法与局部搜索技术相结合来优化模型的结构 .将新算法分别应用于人口增长与化学反应模型的自动建模 ,并比较两种算法的实验结果 ,表明新算法发现的模型更稳定、精确度更高 .     

基于RTD可编程逻辑门的数字电路3层网络综合算法

随着集成电路的不断发展,CMOS器件的工艺逐渐达到其物理设计极限,研究新器件和新设计方法成为集成电路继续发展的必经之路. 阈值逻辑门因具有强大的逻辑功能而备受关注,共振隧穿二极管（RTD）因其负阻特性在设计阈值逻辑门时更具优势. 由于阈值逻辑门与二进制神经元模型有相似之处,因此可用神经网络模型实现逻辑函数,从而为电路设计提供新的思路. 对基于RTD可编程逻辑门的3层网络算法中的隐层综合算法进行了改进,提出采用汉明距离最大优先覆盖的方法对真向量进行覆盖,从而提高了真向量的覆盖效率,减少了隐层函数个数,并采用真假向量标记的方法简化了隐层综合算法.提出的算法比原隐层综合算法简单,进一步简化了基于RTD可编程逻辑门实现n变量函数的电路.     

异构网格环境下的可信依赖任务调度

针对异构网格环境下依赖任务调度过程中网格节点行为可信性考虑不足的问题,根据网格节点的历史行为表现,构建了一个动态信誉度评估策略,为确立任务需求与资源节点行为可信属性之间的隶属关系,定义了隶属度函数,建立了一种安全可信的网格任务调度新模型.为了实现该模型,提出一种依赖任务可信调度的粒子群进化算法.该算法通过深度值和关联耦合度的引入解决了任务间的约束关系;为克服传统粒子群算法解决离散问题时的不足,结合网格任务调度问题的具体特点,重新定义并设计了新的粒子进化方程;为预防算法陷入局部最优,引入了均匀扰动速度.仿真实验表明,该算法与同类算法相比,在相同条件下具有较高的执行效率和安全可信优化性能等.     

基于布谷鸟优化的三维OTSU图像分割算法

针对三维OTSU算法计算量较大、运算时间较长的问题,提出了基于布谷鸟搜索优化的三维OTSU图像分割算法.该算法采用布谷鸟搜索算法对三维OTSU进行优化.其中,以像素灰度值-领域均值-领域中值的三维类间方差作为布谷鸟搜索算法的适应度函数,通过评价Lévy飞行路径上像素的适应度,获得最佳分割阈值.实验结果表明:与灰度值领域均值梯度的三维OTSU算法相比,该算法对低信噪比的图像分割稳定性和可靠性较佳;同时,与快速三维OTSU算法相比,运算效率提高了约16.4%,解决了算法消耗时间较长问题.     

针对LSB匹配隐写的评价策略与改进方法

以Mielikainen提出的LSB匹配算法为基础,通过分析秘密信息对与载体像素对之间的不同匹配顺序对隐写算法性能的影响,提出了一个三级得分评价策略.根据此评价策略的指导,采用粒子群优化算法寻找出最优的信息对嵌入顺序,并在此基础上对Mielikainen的方法进行改进,提出了一种新的隐写算法.实验结果表明,在嵌入相同大小秘密信息的条件下,提出的算法减少了载体图像中灰度值发生变化的像素点数,从而有效提高了隐秘图像的视觉感知质量.     

增强目标模型鲁棒性的Mean-shift算法

针对传统Mean-shift算法中颜色核函数直方图对目标特征描述较弱的缺点,提出了一种联合目标特征点的二维结构信息和颜色信息的Mean-shift改进算法.改进算法细化了Harris检测算子的角点响应阈值,提取出更多的目标特征点计算其方向分布,并以方向与部分颜色特征的直方图构建目标模型,该模型能显著区分目标与背景.实验对不同算法进行了仿真及性能比较,结果表明:提出的改进算法在一定的复杂场景中提高了跟踪精度,且具有较好的鲁棒性.     

SSPH核近似的降元算法研究

本文首先介绍传统光滑粒子流体动力学（Smoothed Particle Hydrodynamics,简称SPH）方法的基本公式,用对称（Symmetric）光滑粒子流体动力学（SSPH）核近似方法函数.函数一阶导数和函数二阶导数的计算进行了研究,在SSPH方法的基础上提出了精度较高、计算量少和所占内存空间较低的降元算法.对SSPH核近似方法和降元算法的精度进行了分析,SSPH方法和本文提出算法用于一维函数的一阶导数和二阶导数的计算,并进行误差对比分析发现精度有所提高.最后本算法应用于非稳态热传导问题上,同时进行数值计算和对比分析,验证了本方法的有效性.     

基于l_p正则化图像去模糊的快速广义迭代收缩算法

将图像去模糊问题转化为求解l_p正则化的非凸优化问题,提出了一种求解l_p正则化问题的快速广义迭代收缩算法(FGISA,fast generalized iterative shrinkage thresholding algorithm).该算法通过对广义迭代收缩算法(GISA,generalized iterative shrinkage thresholding algorithm)的梯度项添加一个加权矩阵,并结合Nesterov梯度加速方法达到加快算法收敛速度的目的.由于加权矩阵仅仅与模糊矩阵有关,并且不随迭代过程变化,因此,与GISA相比FGISA并不增加算法的计算复杂度.文章给出了算法收敛性的理论分析.实验结果表明FGISA算法在收敛速度和图像恢复效果方面对GISA算法均有较大的改进.     

Item2vec与改进DDPG相融合的推荐算法

传统的推荐算法能够有效解决信息过载问题,但在冷启动和数据稀疏的情况下,传统方法仍有其局限性。针对以上问题本文提出一种基于深度强化学习理论的推荐算法,该算法使用深度确定性策略梯度(DDPG,deep deterministic policy gradient,DDPG)算法来解决推荐问题,使用Item2vec将离散的动作空间转换为连续的表示,同时提出了一种余弦距离和欧氏距离相结合的奖励函数,能够保障神经网络不会过早的收敛于局部最优。应用该算法进行电影的推荐,实验结果表明本文提出的算法能够产生较好的推荐并能缓解冷启动所带来的影响。     

一种基于高阶互累计量的遗传盲反卷积算法

提出了一种基于高阶互累计量的遗传盲反卷积算法,旨在解决现有许多基于独立分量分析盲反卷积算法中存在的两个共同缺陷.一是算法中引入的非线性函数依赖于源信号的峭度性质,当观测信号为超高斯信号与亚高斯信号的卷积混合时,算法性能急剧下降.二是算法中大多采用梯度法对分离矩阵序列进行寻优,初始值和步长的设定对搜索性能影响较大,使得寻优过程易陷入局部极优值,从而降低算法的分离效果.在阐述了算法的相关原理和设计思路之后,通过对比试验验证了算法的正确性和有效性.     

基于彩色离焦模糊图像清晰度评价的启发式调焦算法

运用启发式搜索策略提出了一种基于彩色离焦模糊图像清晰度评价的启发式调焦算法。算法采用了以2为模的Sobel算子梯度建立图像清晰度评价函数的数学模型。该评价函数具有无偏性好，单峰性强，灵敏度高，在焦平面变化趋势明显等特点。我们给出了结合启发式搜索策略的具体算法。实验结果证明，所提出的启发式调焦算法精度高，可重复性强，并对图像噪声具有良好的鲁棒性。     

基于非凸非光滑变分模型的灰度图像泊松噪声移除算法

基于非凸变分方法在图像边界结构保持和对比度保持上的优势，针对泊松噪声的移除问题提出一种新的非凸非光滑正则化模型及快速求解算法。模型由非凸Lipschitz势函数复合图像梯度信息的正则化项和非线性Kullback-Leibler数据保真项两部分构成。通过使用临近点线性化策略，将求解非凸变分模型转化为求解一系列凸变分模型，进而使用交替方向乘子法求解。同时证明了算法的目标函数值序列具有单调下降性。实验结果表明，该方法能有效消除图像中的泊松噪声，且信噪比较经典算法有明显提升。     

基于改进的Heaviside核函数新的目标模型追踪算法

为更好地解决前景和背景相似程度较大或目标运动较为复杂的问题,提出了基于改进的Heaviside核函数新的目标模型追踪算法.在初始帧中,使用改进的Heaviside核函数来表示目标区域,然后分别计算目标区域前景和背景元素的颜色纹理直方图特征分布,并通过前景和背景特征分布差异建立新的目标模型,它可更好地代表目标.对于候选模型,结合传统Epanechnikov核对目标模型建模,通过Bhattacharyya系数进行迭代搜索,最终收敛的位置即为下一帧的目标中心.实验结果表明:提出的算法和传统的Mean-shift算法和基于颜色纹理直方图的Mean-shift算法相比较精确度高、速度快、鲁棒性强.     

基于自适应相位匹配量子计算的求核算法

在经典计算环境下,粗糙集的核属性求解只能逐个验证属性,而量子计算则提供了一种并行计算的可能。经分析,量子计算中的Grover算法适用于粗糙集的核属性求解,但经典Grover算法及Grover算法的一些变体都不能总以100%的概率获得目标分量。该研究首先提出一种将固定相位角度改为由目标分量占比决定的自适应匹配相位角度的改进策略;然后将改进策略应用于粗糙集的核属性求解,提出了一种基于自适应相位匹配量子计算的求核算法。通过理论证明和仿真实验,该算法总能以100%的概率得到粗糙集的核属性,其效率相较于传统求核算法有着平方根的加速。     

一种快速计算分层媒质中三维目标电磁散射的方法

基于稳定双共轭梯度-快速傅立叶变换（BCGS-FFT）和离散复镜像方法（DCIM），快速求解了平面分层媒质中三维目标电磁散射．首先引入离散复镜像方法用以加速并矢格林函数的计算，并针对三维问题，采用了裂项计算并矢格林函数，进一步减少了时间需求．然后在离散积分方程中采用弱模式并矢格林函数，降低了积分方程的奇异性，加快了迭代算法的收敛．数值结果表明，本文方法计算耗时较改进前减少90％，适于电大尺寸问题的求解．