基于能量和频繁模式的数据流预测查询算法

设计了数据流预测查询的新模型,包括局域流能量预测、能量分布模式挖掘及预测序列的重构和数据流能量的度量方法;设计了融合数据流能量回归与基于频繁模式的小波分解预测新方法,并将新算法推广到强偶合多数据流的预测查询;提出了最近最频繁序列模式的新概念,并应用于局域流能量分解;在真实数据上的模拟实验,验证了算法的有效性.     

基于H.264标准的码率控制算法

在视频通信过程中,为了使编码端输出码流更好地适应不同的信道,基于H.264视频编码标准提出一种改进码率控制算法。该算法针对标准算法中对基本单元的MAD值预测时只考虑时间上相关性的缺点,提出了一种新的结合时间预测和空间预测的预测方法。实验结果表明,与标准算法相比较,该算法能更准确地控制码率,同时视频输出序列的峰值信噪比也得到了提高,编码端输出码流能够更加平稳。     

运动矢量场自适应搜索算法的一种改进方案

在MVFAST算法的基础上,提出了一种改进的MVFAST算法.通过对MVFAST算法的分析,针对其不足之处,提出了MVFAST算法的改进算法.改进算法采用了高效的提前中止策略,即设置了动态的门限阈值,以及充分利用了视频序列的空间和时间相关性,对块进行运动类型划分,以采用不同的搜索策略对宏块进行起始点预测.该方法通过起始点预测、提前中止策略、对宏块进行划分,能够有效地处理视频序列.试验结果表明,在图像质量稍有提高的情况下,改进的算法能有效提高编码速度.     

基于商空间的气象时间序列数据挖掘研究

论文从一种新的角度,针对气象时间序列的特点,在商空间粒度计算理论框架下,采用多种粒度,从不同的层次分析复杂的气象数据信息,利用商空间的合成技术,和多侧面递进算法进行综合信息处理。并提出了一种灰色模型GM(1,1)与构造性机器学习方法(交叉覆盖算法)结合的模型对气象时间序列进行数据挖掘(产量预测)。最后,通过该模型在真实数据上的实验(冬小麦产量预测),取得了令人满意的结果。     

利用模糊时间序列进行短时交通流预测

短时交通流预测在交通控制中起着基础的作用.本文利用模糊时间序列提出了一种新的短时交通流预测模型,并且在此模型基础上提出了一种算法.此算法和以往算法最大的不同就是能够处理历史数据是语言变量的预测问题.最后通过北京紫竹桥的实测数据和其它预测算法比较验证了本文提出算法的有效性和实用性.     

CBR快速检索算法在时间序列预测中的应用

随着CBR应用的推广,涉及越来越多的时态信息需要处理.探讨了一种基于时间序列数据的时态CBR,提出了一种基于卷积的时态CBR快速检索算法.其思路是利用时序范例之间的时间约束关系,去除检索中求取相似度的冗余计算,并利用卷积的傅立叶变换性质,在频域求解相似度以减少计算时间复杂度.实验证明.在匹配较长的序列时,快速算法可以显著的提高时态CBR的检索效率.在CBR快速检索算法的基础上,以证券价格预测问题作为应用,借鉴流形学习理论中LLE算法的思想,设计了一种基于时态CBR的时间序列预测算法.实验证明,这种基于时态CBR的时间序列预测方法与前述CBR快速检索算法相配合,取得了较好的预测效果和预测效率.     

基于参考点预测的动态多目标优化算法

为了快速跟踪动态多目标优化问题变化的Pareto前沿,本文提出一种基于参考点预测策略的动态多目标优化算法（PDMOP）.该算法对关联到相同参考点的个体建立时间序列,并对这些时间序列通过线性回归模型预测新环境下种群.同时,将历史时刻的预测误差反馈到当前预测中来提高预测的准确性,并在每个预测的个体上加入扰动来增加初始种群多样性,从而能够加快算法在新环境下的收敛速度.通过4个标准测试函数对该算法测试,并和两个现有算法对比分析,结果表明所提算法在处理动态多目标优化问题时能够保持良好的性能.     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

基于迭代网格划分和熵估计的稀疏轨迹预测

针对移动对象轨迹预测所面临的"数据稀疏"问题,即有效的历史轨迹空间不能覆盖所有可能的查询轨迹,提出了一种基于迭代网格划分和熵估计的稀疏轨迹预测算法(TPDS-IGP&EE).首先,对轨迹区域进行迭代网格划分并生成轨迹序列;然后,引入L-Z熵估计计算轨迹序列的熵值,在轨迹熵值的基础上进行轨迹综合形成新的轨迹空间;最后,结合子轨迹综合算法,进行稀疏轨迹预测.实验结果表明,当轨迹完整度达到90%以上,Baseline算法的查询覆盖率只有25%左右;而TPDS-IGP&EE算法几乎不受查询轨迹长度的影响,可以预测几乎100%的查询轨迹;并且TPDS-IGP&EE算法的预测准确率普遍高于Baseline算法4%左右;同时Baseline算法的预测时间非常长,达到100 ms,而TPDS-IGP&EE算法的预测时间(10 μs)几乎可以忽略不计.TPDS-IGP&EE算法能够有效地进行稀疏环境下的轨迹预测,具有更广的预测范围、更快的预测速度和较高的预测准确率.     

修正的广义学习向量量化算法

讨论了Pal等的广义学习量化算法(GLVQ)和Karayiannis等的模糊学习量化算法(FGLVQ)的优缺点，提出了修正广义学习量化(RGLVQ)算法。该算法的迭代系数有很好的上下界，解决了GLVQ的“Scale”问题，又不像FGLVQ算法对初始学习率敏感。用IRIS数据集对算法进行了测试，并应用所给算法进行了用于图像压缩的量化码书设计。该文算法与FGLVQ类算法性能相当，但少了大量浮点除法，实验过程表明节约训练时间约l0％。     

矢量量化的遗传k-均值算法

提出了一种遗传k-均值算法，该算法通过改进标准遗传操作及采用可变变异率，使其在矢量量化应用中表现出很好的性能．实验证明，该算法能够获得质量高于k-均值和模糊k-均值算法的矢量量化码书，为设计全局最优码书提供了新思路。     

自适应补偿矢量量化

提出了一种基于ＬＢＧ码书设计的新的图像矢量量化算法。该算法利用图像信号在正交矢量空间中的能量集中性,有效地减小了码书的搜索范围,加快了矢量量化速度。同时利用原始图像和重建图像之间的差值进行了自适应补偿,在保证较高压缩比的同时,有效地克服了矢量量化的致命缺陷,即重建图像存在严重的方块效应。     

多媒体通信中基于对象的格矢量量化

在格结构的分析与研究的基础上,详细讨论了格的重要算法,并给出了小波域图象对象的格矢量量化方法。结合小波变换系数的分布特点,对某些小波变换系数进行标量量化时,采用了一种连续逼近的方法,并利用所讨论了算法对多数小波变换系数进行了格矢量量化。实验表明,格矢量量化速度快,编码效率高,能较好地达到多媒体通信中图象压缩编码要求。     

动态模糊矢量量化算法

由于传统的Ｋ－均值算法在用于矢量量化时强烈依赖初始码书的选取,如果初始码书选取不好,则很容易陷入局部最小点;而Ｂｅｚｄｅｋ的模糊Ｋ－均值算法由于计算量很大,也很少用于矢量量化的设计码书,因此人们一直在寻找收敛速度和收敛效果两者性能较好的算法,在研究Ｎｉｃｏｌａｏｓ等人提出的模糊矢量量化（ＦＶＱ）算法基础上,针对ＦＶＱ算法收敛过程存在的总理２,并从收敛结构和收敛策略出发,提出了一种动态的法在收敛速度     

基于模糊矢量量化图象编码的研究

分析了模糊矢量量化（ＦＶＱ）图象编码的原理，给出了ＦＶＱ设计三要素。提出了用于图象编码的指数型模糊矢量量化算法（ＦＶＱＥ）。实验结果表明，ＦＶＱＥ的图象编码性能与ＦＶＱ相当，但收敛速度要略快于ＦＶＱ算法。     

An axiomatic approach to soft learning vector quantization andclustering

This paper presents an axiomatic approach to soft learning vector quantization (LVQ) and clustering based on reformulation. The reformulation of the fuzzy c-means (FCM) algorithm provides the basis for reformulating entropy-constrained fuzzy clustering (ECFC) algorithms. According to the proposed approach, the development of specific algorithms reduces to the selection of a generator function. Linear generator functions lead to the FCM and fuzzy learning vector quantization algorithms while exponential generator functions lead to ECFC and entropy-constrained learning vector quantization algorithms. The reformulation of LVQ and clustering algorithms also provides the basis for developing uncertainty measures that can identify feature vectors equidistant from all prototypes. These measures are employed by a procedure developed to make soft LVQ and clustering algorithms capable of identifying outliers in the data set. This procedure is evaluated by testing the algorithms generated by linear and exponential generator functions on speech data.     

基于矢量量化的高效BTC图像编码算法

作为一种有损图像编码技术,块截短编码算法（BTC）的计算量较少,速度快,有较好的信道容错力,重建图像质量较高。然而,标准BTC算法的主要缺点是其压缩比特率比其他基于块图像编码的算法（如变换编码和矢量量化）高。为了降低比特率,提出了几种有效的BTC算法,还提出了一种简单的查表算法对每块的BTC量化数据编码,另外还引入了矢量量化技术以减少对位平面编码的比特数。为了减少由改进算法引入的额外失真,在每种提出的算法中,采用最优阈值而不用平均值作为量化阈值。     

Image coding algorithm based on Hadamard transform and simple vector quantization

Transform coding is commonly used in image processing algorithms to provide high compression ratios, often at the expense of processing time and simplicity of the system. We have recently proposed a pixel value prediction scheme in order to exploit adjacent pixel correlation, providing a low-complexity model for image coding. However, the proposed model was unable to reach high compression ratios retaining high quality of reconstructed image at the same time. In this paper we propose a new segmentation algorithm which further utilizes adjacent pixel correlation, provides higher compression ratios and it is based on application of Hadamard transform coding. Additional compression is provided by using vector quantization for a low number of quantization levels and by simplifying generalized Lloyd’s algorithm where the special attention is paid to determination of optimal partitions for vector quantization, making a fixed quantizer. The proposed method is quite simple and experimental results show that it ensures better or similar rate-distortion ratio for very low bit-rates, comparing to the other similar methods that are based on wavelet or curvelet transform coding and support or core vector machine application. Furthermore, the proposed method requires very low processing time since the proposed quantizers are fixed, much less than the required time for the aforementioned methods that we compare with as well as much less than the time required for fractal image coding. In the end, the appropriate discussion is provided comparing the results with a scheme based on linear prediction and dual-mode quantization.

     

Image vector quantization algorithm via honey bee mating optimization

The vector quantization (VQ) was a powerful technique in the applications of digital image compression. The traditionally widely used method such as the Linde–Buzo–Gray (LBG) algorithm always generated local optimal codebook. Recently, particle swarm optimization (PSO) is adapted to obtain the near-global optimal codebook of vector quantization. An alternative method, called the quantum particle swarm optimization (QPSO) had been developed to improve the results of original PSO algorithm. In this paper, we applied a new swarm algorithm, honey bee mating optimization, to construct the codebook of vector quantization. The results were compared with the other three methods that are LBG, PSO–LBG and QPSO–LBG algorithms. Experimental results showed that the proposed HBMO–LBG algorithm is more reliable and the reconstructed images get higher quality than those generated from the other three methods.