运动估计中的一种前处理算法

为降低视频编码中运动估计的算法复杂度,提出一种针对运动估计的前处理算法.该算法首先通过前两帧来对当前帧的矢量分布进行预测,并对大概率的运动矢量进行优先估计,使得一部分宏块的运动估计工作在前处理过程中完成,并且这些宏块的运动矢量需要的搜索点数仅为一次,因而该算法显著地提高运动估计的效率.理论分析结果表明,算法针对视频序列中的运动矢量中心偏置分布特性非常有效.把该算法分别应用于三步搜索(TSS)以及菱形搜索(DS)等算法中的实验结果表明,本算法在保持与以上算法相当的绝对误差的条件下能够大幅度降低平均搜索点数,使得运动估计的计算复杂度有了显著的降低,从而进一步降低整个视频编码的计算复杂度.     

编码协作OFDMA系统的子载波分配

分析了编码协作OFDMA系统中用户的可取得速率,推导了该速率的上界,提出一种以最大化最小用户可取得速率为原则的自适应子载波搜索分配算法.该算法以贪婪算法为初始分配, 通过迭代不断优化子载波分配.仿真结果表明,该搜索方法可以显著提高协作用户的可取得速率,很好地保证用户间的公平性,并且搜索速度快,满足实时应用需求.     

机会网络中视频分块随机集中调度算法

提出了一种调节视频分块在时间轴上分布集中的视频块调度算法,满足了用户能快速接收时间轴上随机分布、内容上连续且数量较多的视频段的需求,从而使用户在短时间内了解初始视频的有效内容.该算法可有效引导视频块的传输,大大降低递交延时.实验结果表明,视频分块调度算法有效可行.     

采用运动矢量的视频快速运动估计算法

提出了利用运动矢量来解决视频编码时间过长的观点。结合H.264标准的UMHexagons算法,在起始点预测和搜索模板部分做出了优化,能够有效地降低搜索过程中的搜索点,提高视屏编码效率。通过对5种运动程度不同的视频序列进行测试,实验证明,对比原算法,优化后的算法视频的信噪比只下降了0.01～0.02dB,运动估计时间却减少了10%～30%。     

基于可能性条件偏好网络的交互式遗传算法及其应用

根据用户实施的人机交互行为而隐式地获取用户偏好的交互式进化优化算法,可有效减轻用户疲劳,提高个性化搜索或推荐的效率.但是,已有研究没有考虑用户交互行为和偏好的不确定性,影响了对用户偏好的拟合精度以及基于该偏好表达的进化搜索.针对该问题,提出基于可能性条件偏好网络的交互式遗传算法,以刻画用户交互行为和偏好的不确定性,并提高算法的搜索性能.首先,采用交互时间表示交互行为,考虑交互行为的不确定性,给出交互时间可信度的定义,并基于该定义给出了用户不确定偏好的表达函数;其次,利用可信交互时间和偏好函数,定义了用户对评价对象的偏好权重,并利用该权重,设计(更新)可以定量表示用户不确定偏好的可能性条件偏好网络,以更好地拟合用户偏好;然后,结合评价不确定性和可能性条件偏好网络,提出了改进的个体适应值估计策略,以更好地引导搜索;最后,将所提算法应用于图书个性化搜索中,结果表明了算法搜索的可靠性和高效性.     

融合视频指纹和时空信息的视频检索算法

针对视频检索过程中存在的视频亮度整体漂移、突变干扰以及视频再编辑等问题,提出了一种融合视频指纹特征和关键帧密度的检索算法.该算法首先对视频帧进行区域分割提取视频指纹特征;其次,采用改进的直接时序算法消除亮度漂移等干扰;最后,引入关键帧密度的概念消除了视频再编辑引起的时间跨度问题,同时采用了一种综合的搜索策略.实验结果表明:改进的算法不仅可有效地应对上述问题,而且算法运算量小、查全率与查准率高,具有很好的鲁棒性.     

一种基于视频序列特性的快速运动估计算法

针对视频压缩中的关键技术运动估计算法,提出了一种新的快速运动估计算法.该算法首先利用视频序列宏块间的相关性预测搜索起点,同时根据运动矢量中心偏置特性和SAD分布的方向性设计搜索模板,避免和减少不必要的搜索,提高了运动估计的速度和精度,在保证视频图像质量的情况下,有效的降低了计算复杂度.     

基于用户行为分析的搜索引擎模型

介绍了目前搜索引擎技术发展的进展和研究热点.给出一种从用户点击的反馈信息中提取用户智能的搜索引擎算法.此算法首先给页面设置不同的内容相关度,再实测网页在不同内容相关度下的用户点击率,根据这组相关度和相应的用户点击率数据,可以由差商法或拟合直线法求得最佳的网页内容相关度,这样就可求出最终的索引相关度.实验表明该算法对提高搜索的稳定性和搜索精度有明显作用.     

基于群组的个性化搜索算法研究

个性化搜索力求为用户提供最贴切的搜索结果,当前个性化搜索的挑战在于无法搜集足够的用户信息.对于用户信息不足的问题,一个有效的方法是利用具有相同搜索目的的其他用户的数据.通过挖掘搜狗提供的搜索日志,研究各种群组.提出了一种基于对IP地址聚类来扩充目的用户信息的个性化搜索算法,在提高搜索体验方面做了有效的工作.对应于传统的"个性化搜索",称之为"群体搜索".通过对用户的搜索行为进行分析验证,本算法在提高个性化搜索的效果方面是可行的、高效的.     

H.264到HEVC的低复杂度视频转码算法

针对H.264视频转码为下一代压缩标准高效电视编码（HEVC）视频过程中耗费大量时间的问题,提出一种低复杂度的视频转码算法.该算法充分利用H.264压缩视频流中包含的信息,基于图像复杂度和编码比特数之间的关系对每帧图像进行编码复杂度分析,并根据分析结果决定编码树单元的搜索深度范围;基于HEVC码流中Skip模式与H.264码流中各种模式的映射关系对Skip模式进行提前判决,通过对编码比特数的统计分析快速选择预测单元的对称与非对称分割模式;依据运动矢量的相似性,优化了HEVC运动估计过程中预测单元的搜索起点和搜索范围,进一步减少了转码过程的计算量.实验结果表明：该算法与参考算法相比转码速度获得了大幅提高,同时还保持了几乎相同的率失真表现.     

一种实时有效的AECFP数据流频繁项挖掘算法

由于数据流的高速产生性、强流动性及变化不稳定性的需求,数据流算法应在有限存储空间里实时准确分析数据,提取有用知识.在允许的误差范围内,提出一种有效的数据流频繁项挖掘算法AECFP,通过一种基于频繁项样本的数据结构记录抵达的项目集合,进行快速的保存样本,并在样本空间满时快速删除出现次数最小且最旧的非频繁项,保留相同支持数的其它频繁项.当用户查询频繁项时,快速实时准确挖掘数据流中的频繁项,适应数据波动变化.经过实验证明,该算法在挖掘频繁项时,具有快速的处理能力,满足空间消耗的低存储要求,并能保证数据频繁项的挖掘准确度.     

运用哈希技术进行关联规则挖掘

以前基于支持度一置信度框架的关联规则挖掘算法都是先用支持度做为阈值对搜索结果进行剪枝 ,产生频繁集 ,再针对频繁集产生关联规则 ,这就是频繁关联规则。然而在很多应用中 ,诸如 :鉴别相似的Web文件、网络中入侵检测等 ,有许多有趣的关联规则仅有很少的支持度。在本文中 ,针对这种情况 ,提出了一种可以挖掘非频繁项之间有趣规则的算法 ,此算法先用相似度作为兴趣度度量对算法结果进行剪枝     

初始聚类中心优化的K-均值项目聚类推荐算法

针对协同过滤推荐系统存在的数据稀疏性和扩展性差问题,提出了初始聚类中心优化的K-均值项目聚类推荐算法。该算法首先采用SlopeOne方法对评分矩阵预测填充来缓解数据稀疏性,然后采用初始聚类中心优化的K-均值算法对项目进行聚类,将相似度高的项目聚到同一个类中,最后根据目标项目所在的聚类搜索其最近邻并产生推荐。实验结果表明,该算法有效改善了数据的稀疏性和扩展性,提高了推荐质量。     

基于关联图的频繁闭模式挖掘

将关联图的数据挖掘思想应用到频繁闭模式的挖掘中,使用位向量的技术简化项集支持度的计算,构造关联图表示项集间的频繁关系。在此基础上,提出一种频繁闭模式挖掘算法,针对频繁闭模式的特点,结合剪枝策略、子集检测策略、搜索策略等技术手段,优化算法性能。实验结果表明,该算法在时间性能上优于经典的频繁闭模式算法CLOSET。     

基于关联图的频繁闭模式挖掘

将关联图的数据挖掘思想应用到频繁闭模式的挖掘中,使用位向量的技术简化项集支持度的计算,构造关联图表示项集间的频繁关系.在此基础上,提出一种频繁闭模式挖掘算法,针对频繁闭模式的特点,结合剪枝策略、子集检测策略、搜索策略等技术手段,优化算法性能.实验结果表明,该算法在时间性能上优于经典的频繁闭模式算法CLOSET.     

基于大数据集的混合动态协同过滤算法研究

协同过滤已在推荐系统中广泛使用,但传统算法存在一定的局限性,如不能较好地适应用户-项目评分矩阵数据集的稀疏性、计算项目相似性时未考虑项目的分类及用户对项目评分和兴趣的时变性等因素。针对这些局限性在传统协同过滤算法基础上提出一种基于大数据集的混合动态协同过滤算法。该算法在计算项目的相似性时引入了时间衰减函数,并综合考虑项目评分的相似性和项目分类的相似性,两者在项目综合相似性中所占权重可以自适应动态调节。算法还在相似性计算和近邻项目选取上做了一些改进。实验表明该算法比传统推荐算法质量有所提高。     

基于遗传算法和禁忌搜索算法的混合策略及其应用

为了提高遗传算法的局部搜索能力,根据遗传算法和禁忌搜索算法自身的特点,通过分析2者的优势和不足,提出了一种将2者混合使用的求解优化问题的方法．本算法用遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,得到满意的计算结果．同时,为抑制早熟现象,避免收敛到局部最优点,提出了一种应对策略．实验结果表明,该算法在计算速度和计算结果方面都有改进．     

基于群用户兴趣模型的搜索结果排序研究

为提高搜索引擎的查准率,提出了一种基于群用户兴趣模型的加权全局相关度查询排序算法。算法综合考虑了用户搜索意图与搜索结果的全局相关度,改进了搜索引擎的排序结果,为用户提供了准确的搜索服务。实验结果表明,与用户意图相关的搜索结果能够排在最前面,搜索准确率明显提高。     

基于MMHC算法的贝叶斯网络结构学习算法研究

贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的有效工具之一,迄今为止已经提出了许多贝叶斯网络结构学习算法.MMHC算法是一种较新的贝叶斯网络结构学习算法,该算法的评分搜索阶段应用了贪婪搜索算法,但该算法容易陷入局部最优而无法得到全局最优网络,针对该缺点,在MMHC算法的评分搜索阶段应用模拟退火、随机重启爬山搜索、禁忌搜索3种搜索策略取代贪婪搜索,详尽的实验结果表明在MMHC算法中这3种搜索算法的效果普遍优于贪婪搜索,其中模拟退火搜索学习效果最好,MMHC算法的评分搜索阶段可以用模拟退火搜索替代贪婪搜索达到提升算法的学习效果.     

基于混合搜索策略的Job Shop调度研究

目的 提出基于遗传算法和禁忌搜索算法的混合算法，解决单一算法求解JobShop调度问题存在的不足，提高求解质量．方法 采用遗传算法作为全局搜索算法，禁忌搜索算法作为局部搜索算法．根据JobShop调度问题解的特征。提出基于关键工序的邻域选择方法，将基于这种邻域选择方法的禁忌搜索算法作为变异算子，加强了遗传算法邻域解的搜索能力．结果 混合算法在较短时间内，找到了FT10、LA24、LA36等典型benchmarks问题的最优解，得到的makespan的平均值较并行遗传算法（PGA）提高3．84％、较TSAB算法提高4.66％．结论 采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．