(0,mf-m+1)图的正交(0,f)因子分解

设G是一个图,f是定义在V(G)上的整数值函数,且对坌x∈V(G),有2k≤f(x),设H1,H2,…,Hk是G的k个顶点不相交的子图,且|E(Hi)|=m,1≤i≤k,证明了每个(0,mf-m+1)图有一个(0,f)因子分解正交于Hi(i=1,2,…,k)。     

关于图的分数k-因子存在性的一些结果

设g(x)≤f(x)是定义在V(G)上的两个整数值函数,h(e)∈[0,1]是定义在图G的边集E(G)上的函数。令dGh(x)=移e∈Exh(e),其中Ex={xy:xy∈E(G)}。若对所有的x∈V(G)都有g(x)≤dGh(x)≤f(x)成立,称h是G的一个(g,f)-表示函数。Gh是图G的一个支撑子图使得E(Gh)={e:e∈E(G),h(e)≠0},则称Gh是G的一个分数(g,f)-因子。文章给出,若对V(G)中的任意两个顶点u和v,G-{u,v}有分数k-因子存在。则G有一个分数k-因子不含图G中任意给定的边e∈E(G);当G有分数1-因子F=Gh存在时,对任意e∈F,G-V(e)有分数k-因子存在,则G有分数k-因子。     

基于惩罚机制的P2P电子商务模型

在电子商务中,现有信任模型的惩罚机制只是对交易失败次数进行惩罚,忽略了交易金额的重要性。针对该问题,提出一种惩罚模型,同时考虑交易的失败次数和失败金额,从而达到过滤恶意节点欺骗惩罚机制的目的。对信任机制的有效性和抗攻击性进行实验验证。结果表明,所提出的信任机制优于其他现有的方法,能够有效地应用于P2P电子商务系统中。     

基于网格密度的带有层次因子的聚类算法

基于网格和密度的聚类算法是一类很重要的聚类算法,但由于采用单调性搜索的方法,使得聚类结果并不十分理想,因此文中在GDD算法的基础上,提出了一种基于网格和密度的带有层次因子与距离因子的GDLD算法.GDLD算法将数据空间按要求划分成网格结构并计算网格密度,构建新的跃迁函数以达到形成有效聚类的目的.实验证明,该算法不仅能够发现任意形状的簇,而且使效率得到了很大的提高.同时层次因子既体现了簇的密度水平,也反映了簇密度的变化过程并使得算法参数更容易确定.     

双基色LED图文显示屏的可靠性分配

用重要度分配法对双基色ＬＥＤ图文显示屏的可靠性指标进行了分配，从而清晰地显露出没达到系统可靠性指标的模块，并指出影响产品可靠性的因素及提高可靠性的途径。     

高斯脉冲三因子组合的UWB测距脉冲设计

从提高发射功率和降低系统误码率的统一角度出发,研究了一种利用高斯脉冲三因子优化组合的超宽带(UWB)测距脉冲快速设计方法.在如何优化问题上,提出了对称求解法确定成形因子、三频点优选法确定有效的微分阶次以及方差倒数法确定权重因子等分步处理算法.这种方法适用于发射频谱任意规定的UWB波形设计,对UWB测距脉冲优化设计具有一定的参考价值.     

中央空调系统的自适应模糊控制器设计

本文研究了中央空调冷冻水系统的模糊控制方法.在研究传统模糊控制仿真结果的基础上,分析了量化因子和比例因子在模糊控制中的作用.提出了一种在线修正量化因子和比例因子的自适应模糊控制方法.实验结果表明.采用改进的模糊控制算法在过渡时间、最大超调量等方面均优于传统的模糊控制系统.     

基于改进量子遗传算法的红外图像检测研究

为了解决QGA算法在检测红外图像中出现收敛速度慢、易陷入局部极值的问题,提出一种改进算法。首先采用动态策略调整量子门旋转角度,对方向进行调整,通过定义位影响因子和差距度量函数,使得基因位的更新更加快速高效;引入染色体交叉机制,通过对收敛因子、适应度因子和变异加速因子的操作,维护群体的稳定性与多样性,使优良个体朝更优方向进化,提高全局寻优能力。实验仿真结果表明,本文算法检测效果理想,运行速度快,适合实时应用。     

保持模型几何特征的简化算法

对于三维模型来说高曲率变化区域、尖角等几何特征是其外部特征的重要体现,因此在简化过程中如何更好地保持这些特征是体现简化算法优劣的重要标准.本文在已有二次误差算法的基础上,综合考虑面片的相邻面的面积与法矢量对该面片附近区域弯曲程度的影响定义了面片的曲率,并根据曲率的大小划分简化过程中各面片的顺序.在简化过程中尽可能地保留对模型几何部特征相关性大的面片,取得了良好的效果.     

保持模型几何特征的简化算法

对于三维模型来说高曲率变化区域、尖角等几何特征是其外部特征的重要体现,因此在简化过程中如何更好地保持这些特征是体现简化算法优劣的重要标准。本文在已有二次误差算法的基础上,综合考虑面片的相邻面的面积与法矢量对该面片附近区域弯曲程度的影响定义了面片的曲率,并根据曲率的大小划分简化过程中各面片的顺序。在简化过程中尽可能地保留对模型几何部特征相关性大的面片,取得了良好的效果。     

广义LVQ神经网络的性能分析及其改进

首先从理论上分析了广义学习矢量量化（ＧＬＶＱ）网络的ＧＬＶＱＦ算法的性能,ＧＬＶＱＦ算法在一定程度上克服了ＧＬＶＱ 算法存在的问题．然而,它对获胜表现型的学习具有好的性能,对于其它的表现型,性能却十分不稳定．分析了产生这个问题的原因,直接从表现型的学习率出发,提出了选取学习率的准则,并给出了两种改进的算法．最后,使用ＩＲＩＳ数据验证了算法的性能,改进算法较之ＧＬＶＱＦ算法具有明显的稳定性和有效性．     

广义LVQ神经网络的性能分析及其改进

首先从理论上分析了广义学习矢量量化(GLVQ)网络的GLVQ-F算法的性能, GLVQ-F算法在一定程度上克服了GLVQ算法存在的问题.然而,它对获胜表现型的学习具 有好的性能,对于其它的表现型,性能却十分不稳定,分析了产生这个问题的原因,直接从表 现型的学习率出发,提出了选取学习率的准则,并给出了两种改进的算法.最后,使用IRIS数 据验证了算法的性能,改进算法较之GLVQ-F算法具有明显的稳定性和有效性.     

遗传LVQ聚类算法

Kohonen提出了学习矢量量化(LVQ)聚类算法及网络对聚类分析产生了深刻的影响,但LVQ存在神经元未被充分利用以及算法对初值敏感的问题。通过对LVQ聚类算法进行分析,根据基因算法的特点,论文提出一种结合基因算法与LVQ聚类算法的改进方法。实验结果证明改进的算法较LVQ聚类算法对初值具有明显的稳定性和有效性。     

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％。     

MLVQ网络聚类算法

讨论了关于改进LVQ聚类网络的理论与算法.为克服LVQ网络聚类算法对初值敏 感的问题广义学习矢量量化(GLVQ)网络算法对LVQ算法进行了改进,但GLVQ算法性能不 稳定.GLVQ-F是对GLVQ网络算法的修改,但GLVQ-F算法仍存在对初值的敏感问题.分 析了GLVQ-F网络算法对初值敏感的原因以及算法不稳定的理论缺陷,改进了算法理论并给 出了一种新的改进的网络算法(MLVQ).实验结果表明新的算法解决了原有算法所存在的问 题,而且性能稳定.     

基于改进型GLVQ算法的车型分类研究

学习向量量化（LVQ）和泛化学习向量量化（GLVQ）算法都是采用欧氏距离作为相似性度量函数, 忽视了向量各维属性的数据取值范围,从而不能区分各维属性在分类中的不同作用。针对该问题,使用一种面向特征取值范围的向量相似性度量函数,对GLVQ进行改进,提出了GLVQ-FR算法。使用视频车型分类数据进行改进型GLVQ和LVQ2.1、GLVQ、GRLVQ、GMLVQ等算法的对比实验,结果表明：GLVQ-FR算法在车型分类中具有较高的分类准确性、运算速度和真实生产环境中的可用性。     

An analysis of the GLVQ algorithm

Generalized learning vector quantization (GLVQ) has been proposed in as a generalization of the simple competitive learning (SCL) algorithm. The main argument of GLVQ proposal is its superior insensitivity to the initial values of the weights (code vectors). In this paper we show that the distinctive characteristics of the definition of GLVQ disappear outside a small domain of applications. GLVQ becomes identical to SCL when either the number of code vectors grows or the size of the input space is large. Besides that, the behavior of GLVQ is inconsistent for problems defined on very small scale input spaces. The adaptation rules fluctuate between performing descent and ascent searches on the gradient of the distortion function.     

熵约束广义学习矢量量化神经网络和软竞争学习算法

结合广义学习矢量量化神经网络的思想和信息论中的极大熵原理,提出了一种熵约束 广义学习矢量量化神经网络,利用梯度下降法导出其学习算法,该算法是软竞争格式的一种推 广.由于亏损因子和尺度函数被定义为同一个模糊隶属度函数,它可以有效地克服广义学习矢 量量化网络的模糊算法存在的问题.文中还给出熵约束广义学习矢量量化网络及其软竞争学习 算法的许多重要性质,以此为依据,讨论拉格朗日乘子的选取规则.     

Fast Affine Projection Algorithms for Filtered-x Multichannel Active Noise Control

In recent years, affine projection algorithms have been proposed for adaptive system applications as an efficient alternative to the slow convergence speed of least mean square (LMS)-type algorithms. Whereas much attention has been focused on the development of efficient versions of affine projection algorithms for echo cancellation applications, the similar adaptive problem presented by active noise control (ANC) systems has not been studied so deeply. This paper is focused on the necessity to reduce even more the computational complexity of affine projection algorithms for real-time ANC applications. We present some alternative efficient versions of existing affine projection algorithms that do not significantly degrade performance in practice. Furthermore, while in the ANC context the commonly used affine projection algorithm is based on the modified filtered-x structure, an efficient affine projection algorithm based on the (nonmodified) conventional filtered-x structure, as well as efficient methods to reduce its computational burden, are discussed throughout this paper. Although the modified filtered-x scheme exhibits better convergence speed than the conventional filtered-x structure and allows recovery of all the signals needed in the affine projection algorithm for ANC, the conventional filtered-x scheme provides a significant computational saving, avoiding the additional filtering needed by the modified filtered-x structure. In this paper, it is shown that the proposed efficient versions of affine projection algorithms based on the conventional filtered-x structure show good performance, comparable to the performance exhibited by the efficient approaches of modified filtered-x affine projection algorithms, and also achieve meaningful computational savings. Experimental results are presented to validate the use of the algorithms introduced in the paper for practical applications.      

Neural clustering networks based on global optimisation of prototypes in metric spaces

The utilisation of clustering algorithms based on the optimisation of prototypes in neural networks is demonstrated for unsupervised learning. Stimulated by common clustering methods of this type (learning vector quantisation [LVQ, GLVQ] and K-means) a globally operating algorithm was developed to cope with known shortcomings of existing tools. This algorithm and K-means (for the common methods) were applied to the problem of clustering EEG patterns being pre-processed. It can be shown that the algorithm based on global random optimisation may find an optimal solution repeatedly, whereas K-means provides different sub-optimal solutions with respect to the quality measure defined as objective function. The results are presented. The performance of the algorithms is discussed.