遥感图像分类的神经网络并行学习算法

本文提出了一种基于Ｋａｌｍａｎ滤波方法的神经网络并行学习算法，模拟实验表明，这种学习算法加快了网络遥感图像分类的收敛速度和精度。     

基于MapReduce技术的并行集成分类算法

由于计算机内存资源限制,分类器组合的有效性及最优性选择是机器学习领域的主要研究内容。经典的集成分类算法在处理小数据集时,拥有较高的分类准确性,但面对大量数据时,由于多基分类器学习、分类共用1台计算机资源,导致运算效率较低,这显然不适合处理当今的海量数据。针对已有集成分类算法只适合作用于小规模数据集的缺点,剖析了集成分类器的特性,采用基于聚合方式的集成分类器和云计算的MapReduce技术设计了并行集成分类算法(EMapReduce),达到并行处理大规模数据的目的。并在Amazon计算集群上模拟实验,实验结果表明该算法具有一定的高效性和可行性。     

一种并行化的分类算法研究

研究并实现了基于Spark的KNN算法的并行构建.分析了MapReduce模型和Spark在处理迭代计算方面的优劣,结合KNN算法的自身特点设计了对应的Map算子和Reduce算子,实现了KNN算法的Spark并行化.实验结果表明,较传统的KNN串行算法和MapReduce并行KNN算法,基于Spark的并行KNN分类算法具有较好的效率和较高的可扩展性.     

并行演化算法在半导体器件综合中的应用

文章将并行演化算法应用于半导体器件综合，根据半导体工艺与器件综合的特点选用了主从式孤岛模型．并分析了参数对性能和加速比的影响。     

基于业务分类的并行分布式QoS路由算法

文章提出一种与智能业务识别相结合的分布式QoS路由算法,能以并行的方式解决网络中呼叫的接入和带宽分配问题,能有效地解决大型网络的负载平衡。它不仅继承了分布式路由算法简单、链路开销小的优点,而且可以减少网络处于重负荷时所产生的资源碎片,接纳更多的业务。理论分析和仿真结果表明算法是有效的、可扩展的,并能提供满意的业务接入成功率和资源利用率。     

基于Hadoop平台的并行kNN网络舆情分类算法

针对网络舆情数据存在数据量大、分散度高、数据非结构化等特点,而常用的文本分类算法难以实现对网络舆情快速、准确分类的问题,因此提出一种基于Hadoop平台的并行kNN网络舆情分类算法,利用Hadoop分布式存储特性和设计并行kNN的MapReduce程序来解决处理大批量数据时存在的问题.对并行kNN算法进行分类能力和分类效率进行测试验证,实验结果表明,基于Hadoop平台的并行kNN网络舆情分类算法在处理大批量网络舆情数据时,能够快速、高效和准确对网络舆情数据进行分类.     

自动分类模型及算法研究

自动文档分类是信息处理技术的一个重要部分。本文介绍了分类的模型、相似度的计算方法以及分类算法。在分析比较的基础上，选择合适的模型和算法应用于元搜索引擎系统中。     

基于并行基因表达式编程的 网格资源分配算法

 网格下的资源分配属于NP-难问题.为了更好地解决这个问题,文中首先提出了网格资源分配模型,并对资源个数与任务个数的三种不同情况进行了详细的分析,最后提出基于并行基因表达式编程的网格资源分配算法(Grid Resource Allocation Algorithm based on Parallel GEP,GRA-PGEP).该算法采用了基于资源与任务相关的非线性的编码方式和反转操作,同时应用粗粒度模型设计了该算法.仿真实验表明,GRA-PGEP算法在优化成功率、平均收敛代数以及耗时方面都要优于传统的GEP和GA算法.     

基于C6678的主被动三维影像生成算法并行设计

当前,如何实现高效的主被动三维影像生成技术是遥感应用中的一个研究热点。由于激光雷达-光学CCD的三维影像生成算法具有数据量大、处理复杂的特点,为实现其高效实时的应用需求,本文利用TMS320C6678多核DSP开展了并行处理技术方面的研究。并针对两种主流并行模型(主从模型和数据流模型),分别进行了三维影像生成算法的并行设计。最后,依托开发平台进行测试分析,总结论证了两种主流模型的设计要点与适用情况,为多核DSP在实际应用中的资源高效利用提供了思路。     

并行数据挖掘算法综述

数据挖掘在工业和商业领域中发挥着越来越重要的作用.随着数据量的增加,挖掘算法处理海量数据的能力问题日益突出.研究并行算法,是解决这一问题的有效途径.该文对常用的数据挖掘算法C4.5,SLIQ,SPRINT,关联规则,K-平均值,K-最近邻,贝叶斯网络,人工神经网络,遗传算法及并行性进行了研究探讨,为数据挖掘研究者提供借鉴.     

并行RLS算法分析

RLS算法是一种被广泛应用、有效的自适应滤波算法。而如何提高算法速度，减少运算量一直是其研究的一个热点。分析提出了并行RLS算法。与常规算法相比，并行算法具有更高的数据吞吐率和滤波速度。如果考虑其硬件实现，可以得到效率更高,结构更简单的滤波器结构。     

基于并行计算模型的并行微粒群算法的性能分析

将微粒群算法与并行计算模型相结合,基于三种不同的并行计算模型(带中央控制器的并行计算模型、环形结构带缓存区的并行计算模型、BSP并行计算模型),设计出相应的并行微粒群算法,并对并行算法性能进行详细分析。大量实验表明:子种群之间的通讯周期是个重要的可变参数,当选取合适时,能提高解的质量以及算法的收敛性和最优性。     

关于并行蚁群算法解决QAP问题的研究

二次分配问题作为一类NP难组合优化的问题,被广泛的应用于数据分析、图像合成等不同的领域。本文主要是介绍了一种新的并行蚁群系统模型,利用并行蚁群算法和TS的局部搜索,有效地解决了二次分配问题。     

基于CBAM-EfficientNet的垃圾图像分类算法研究

针对垃圾分类数据集,本文采用基于Imagenet数据集的迁移参数初始化Efficient-net模型,与经典的VGG和Res-Net50模型对比,得到了较高的泛化性能和准确率.为了降低源领域数据集的特征参数对于目标领域数据集特征参数产生负迁移的影响,本文加入了 CBAM注意力机制增强重要特征并忽视无效特征,同时使用批归一化和随机失活模块加速网络的训练并减轻过拟合程度,从而得到高性能、高效率的CBAM-EfficientNet垃圾分类模型.实验结果表明,基于Efficient-net模型的垃圾分类的准确率高于经典的VGG和ResNet50模型5％以上,而本文所提出的CBAM-EfficientNet进一步提高了 2.5％.     

一种基于动态规划的并行构件资源选择算法

当前,多种硬件体系结构并存,传统的并行构件资源管理却不能充分利用并行构件的属性以适应底层硬件的多样性,可扩展性比较差.在研究基于CCA规范的并行构件执行集成平台的基础上,本文提出了一种层次化并行构件资源管理模型,并提出了一种基于动态规划的并行构件资源选择算法.实验结果表明,相对于通常使用的CPU频率优先、CPU Cac...     

基于社会情感算法的分类模型设计

本文首先通对分类模型进行分析,由于分类规则容易理解、简单,因此分类问题拟采用分类规则表示,而社会情感优化算法是一种新的群智能优化算法,模拟了人类群体的决策过程,因此将社会情感算法应用于分类问题,针对连续属性建立分类模型。     

基于模糊集分类的单幅图像去雾算法

针对高亮度区域导致大气光强度A 计算不准确以及复原图像颜色失真影响图像去 雾效果的问题,提出一种基于模糊集分类的单幅图像去雾算法。首先从暗通道模型出发,对 图像进行分割并采用基于模糊集理论的图像分 类算法确定符合暗通道先验理论的非明亮区域,避免了天空等高亮区域对大气光强度计算 的影响;然后利用快速双边滤波方法既具有平滑效果,又具有边缘细节保持的特性,估计大 气耗 散函数,进而精确恢复场景透射率;最后由大气散射模型复原图像,并进行基于人眼视觉的 亮 度、色调的调整,修正图像中颜色失真区域,提高视觉效果。与经典算法相比,本文算法在 细节、色彩保真度具有较大改进。