基于改进PSO-Apriori算法的恐怖组织关联特征分析

通过分析和挖掘出恐怖组织内在的关联特征,得出恐怖主义袭击事件组织者的时空活动规律,为针对特定组织者的全球反恐战略部署提供理论依据和指导。利用20年的全球恐怖主义数据库(GTD)作为数据源,以全球恐怖组织为主体研究对象,通过改进的多值属性Apriori算法对提取出的恐怖组织时间、空间及其相关特征进行关联分析,并以粒子群算法(PSO)优化Apriori算法的支持度和置信度两个重要参数。研究结果表明,改进算法规则提取时间有所缩短,冗余规则数量大大减少,特定恐怖组织在时空分布上具有很强的内在关联特征。由此得出结论,通过对多值属性Apriori算法的剪枝步和连接步设定规则限制能够提高关联算法的运行效率并提取出更加有效的规则。同时,经过粒子群算法的优化能够避免人为主观意识对算法结果产生的影响,从而验证了改进算法的有效性和准确性,挖掘出恐怖组织的基本时空活动规律。     

移动立方体算法的研究和改进

CT三维重建技术是辅助医生对病情进行分析和显示的有效工具,它极大地提高了医疗诊断的准确性。移动立方体法（Marching Cubes,MC）是一种经典的医学图像三维重建算法,但是在实际使用中还是存在着一些缺点。针对传统MC算法出现的两个问题：（1）用直线代替双曲线来构造等值面会产生误差;（2）重建过程中大量时间耗费在检查空立方体上,提出了一种改进的MC算法,分别通过切片图像间的插值和基于分割的快速查找法来对此进行解决。通过实验表明,改进的MC算法比起传统MC算法,在三维重建的效果和效率上都得到了很大的提高。     

集成电路刻蚀效果三维显示及其关键技术研究

集成电路仿真是集成电路制造的重要辅助方法,刻蚀过程是集成电路制造的一个重要的过程。使用三角形面片对刻蚀过程进行建模,并推导出连接不同面的平面和曲面的计算公式。最后给出了刻蚀显示仿真结果。结果显示,刻蚀结果清晰,绘制速度快,占用资源少,可以满足实际的刻蚀显示要求。     

基于中心点距离关联的三维多目标跟踪算法

三维多目标跟踪技术在自动驾驶中发挥着重要的作用,许多基于检测的三维多目标跟踪方法被提出。数据关联是多目标跟踪中的关键步骤,基于中心点的检测网络在三维多目标检测上的有效性得到了广泛验证。因此,充分利用检测框与跟踪框之间的中心点距离信息,在三维多目标跟踪网络中,提出了基于中心点距离交并比（DIoU）的检测预处理以及数据关联优化算法。在公开数据集nuScenes上的实验结果表明,该网络与其他方法相比,在自行车、汽车以及行人等类别的平均跟踪精度上有明显提升,在ID切换次数上有较好的抑制效果。     

一种高精度任意波形发生器的设计

在光纤通信领域中,有时需要使用一些不规则的波形作为同步信号.为此设计了一种基于多脉冲合成的高精度任意波形发生器,详细地阐述了系统的设计原理,并给出了具体的硬件结构框图.整个电路工作在1G时钟下,利用AD9735进行数模转换,将上位机发送的设置数据变为16个宽度为0.5 ns、幅度不同的窄脉冲,从而组成实际工作情况所需的任意波形.通过实践验证,这种设计方法具有较强的灵活性和实用性.     

基于预训练-微调策略的COVID-19预测模型

COVID-19的世界性大流行对整个社会产生了严重的影响,通过数学建模对确诊病例数进行预测将有助于为公共卫生决策提供依据。在复杂多变的外部环境下,基于深度学习的传染病预测模型成为研究热点。然而,现有模型对数据量要求较高,在进行监督学习时不能很好地适应低数据量的场景,导致预测精度降低。构建结合预训练-微调策略的COVID-19预测模型P-GRU。通过在源地区数据集上采用预训练策略,使模型提前获得更多的疫情数据,从而学习到COVID-19的隐式演变规律,为模型预测提供更充分的先验知识,同时使用包含最近历史信息的固定长度序列预测后续时间点的确诊病例数,并在预测过程中考虑本地人为限制政策因素对疫情趋势的影响,实现针对目标地区数据集的精准预测。实验结果表明,预训练策略能够有效提高预测性能,相比于卷积神经网络、循环神经网络、长短期记忆网络和门控循环单元模型,P-GRU模型在平均绝对百分比误差和均方根误差评价指标上表现优异,更适合用于预测COVID-19传播趋势。     

一种二阶差分式耳蜗模型

本文通过双线性变换将一连续时间、连续空间耳蜗模型变换成一离散时间、离散空间耳蜗模型，并获得了一种实用的二阶差分式耳蜗模型。与传统耳蜗模型相比，新模型的幅频特性与相频特性更加接近耳蜗实际特性，尤其是幅频特性下降沿得到了较大改善。另外，文章从理论上推出了耳蜗图，并求出了耳蜗滤波器的３ｄＢ带宽特性。该模型具有简单的数学结构和较好的频率特性，相信其在语音信号处理中的应用会变得更加实际。