多模成像跟踪器的算法智能调度方法

提出了一种利用多相目标状态的设置实现多种跟踪算法智能高度的方法，根据多模成像跟踪器所采用的投影、标记和相关三种跟踪算法的各自特点，对目标定义了搜索、截获、跟踪和再截获四种跟踪状态，建立了跟踪算法转换的判断条件，使跟踪器能根据场景与目标的变化自动进行切换，智能选择最佳跟踪模式，以确保始终对目标的稳定跟踪，此 可能为提高多模成像跟踪器的跟踪平稳性能提供一种实用方法。     

障碍物下辅助力导引IWD优化传感器部署策略

为进一步提升传感器节点部署算法性能,提出基于智能水滴优化(Intelligent water drop algorithm,IWD)辅助力导引的传感器节点部署算法.首先,对障碍物存在情况下的结构模型进行设计,给出该模型的路径损耗指数和通信半径的计算策略,同时对传感器节点IWD优化部署策略进行流程设计;其次,为增强传统IWD算法性能,采用辅助力导引方式对传统IWD进化泥土参数更新进行重新设计,增强泥土更新后水滴多样性保持效果,从而实现算法性能提升;最后,利用MATLAB制作了大小为60m×70m,规模为100组节点,包含障碍物4个的仿真算例,并选取标准IWD优化策略和差分进化算法作为对比算法,对所提算法在传感器节点部署上的覆盖率和效率优势进行验证.     

入侵容忍技术在CA中的应用研究

基于RSA公钥算法和（t，n）门限密码技术，把CA私钥分割成一些份额在n个共享服务器中进行分配，并确保私钥在任何时候都无需重构。通过VC和Openssl对系统进行了实现。     

改进FA算法在阴影条件下光伏MPPT中的应用

为解决光伏阵列最大功率点在外部环境条件变化时难以进行有效的跟踪,以及传统的最大功率点跟踪(MPPT)方法常常会导致搜索陷入局部极值而且响应速度慢的问题,采用理论分析和仿真的方法,提出一种基于萤火虫算法(FA)的变步长MPPT算法,对传统FA算法的结构和参数进行分析改进,将萤火虫初始位置分散定位在可能的峰值点电压处,并设...     

基于本体的VSM在兴趣型学习社区分组中的应用

采用语义网络技术,提出了基于本体的向量空间模型(VSM),计算学习者的兴趣向量,克服了传统的VSM有术语间语义相关性被忽略的不足,提高了兴趣相似性比较的精确程度,同时提出了一种基于学习者兴趣相似匹配度和学习者兴趣匹配浓度的学习社区自组织分组算法.针对模型使用本体中的概念构造向量空间表现出的巨大维数,运用概念索引降维法对兴趣特征矩阵进行合理降维,大大降低了计算的复杂性.最后通过应用案例验证分析了该模型算法具有较高的分组效率和良好的扩展性.     

贝氏高原鳅不同组织原代培养的研究

采用胰酶半消化法,对贝氏高原鳅的吻端、肾脏和性腺组织的原代培养条件进行探究,使用MEM,RPMI1640,DMEM和DMEM/F12培养基进行培养;血清质量分数设置为10%,30%,50%和100%;分别置于37℃,26℃和室温(11～15℃)条件下培养,观察细胞在不同条件下的生长情况.初步确定了各组织原代培养的最佳条件是温度26℃、血清质量分数50%的条件下,吻端和肾脏组织在MEM培养基、精巢在DMEM培养基中生长情况最优.Giemsa染色显示各组织细胞结构完整,荧光染料Alexa fluor 488Phalloidin显示各组织细胞的微丝网络发达.     

梯级水电站流量滞后性影响研究

指出了梯级水电站流量滞后性对日优化运行方式的影响,给出了受流量滞后性影响的梯级水电站日优化运行方式数学模型及求解算法,实例验证了所提理论及算法正确有效。     

CRM系统挖掘算法效率的改进

目前金融业客户关系管理(CRM)数据挖掘系统所采用的算法在划分项集数据区段、细节数据挖掘、运算时间效率等方面性能较差。该文分析了CRM系统特性、实施模型、模型挖掘以及CRM数据挖掘系统体系结构;结合时态关联规则挖掘的特点,采取FCQ算法数据转换策略,引入领域知识的泛化层次表;在算法的第二次迭代使用Hash技术连接和剪枝并采用运用候选项集的性质实现压缩数据库规模的技术。该文方法很好地提高了挖掘算法的效率,提高了系统运行的速度与效率,为管理者提供新型商业智能客户关系管理系统。     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

求解多背包约束下下模集函数最大值的近似算法及其性能保证

将部分穷举法与贪婪算法相结合,给出求解多背包约束下非减下模集函数最大值的近似算法．证明了该算法的性能保证是1-e^-1,算法的时间复杂性为O（3n^4）．