基于L0优化的网格曲面特征线提取算法

基于网格曲面特征线的稀疏分布,提出一种优化的特征线提取算法。对于给定的网格,在每个面上计算一个值或向量作为输入。对输入的度量建立L_0优化模型,使其在网格边上的跃变尽可能少且优化前后的变化较小。给出基于变量分裂技术与罚函数方法的交替方向优化算法,并引入一种迭代的策略提升解的稀疏性,以取得更高质量的特征线。实验结果表明,该算法能有效提取网格曲面的特征线,与Crest lines算法、变分算法等相比,提高了特征线提取的质量和带噪数据的鲁棒性。     

一种双向多跳中继选择算法与信息交互模型

在协同通信中,针对多跳中继通信传输网络,在单向传输模式的基础上,提出了一种双向通信模式下基于维特比算法的双向中继选择算法(BRSVA)。根据各传输中继节点间的瞬时信噪比,对维特比算法中的支路度量和路径度量进行重新定义,并且构建滑窗以限制内存,对通信网络进行研究分析,以当前跳滑窗内具有最大路径度量值的路径上第一簇中继作为该簇的最佳中继。随着滑窗向前推进,对整个中继网络每一簇进行最佳中继的选择,进而得出一条由最佳中继构成的最佳路径。最后在此路径上提出了一种新的混合型双向信息交互模型,实现通信双方的信息交互。为了验证该中继选择算法与该信息交互传输模型的效果,将其仿真结果与理想内存下的最优中继选择算法做对比,结果证明在有限的内存需求与复杂度下,该算法的中断性能可接近最优选择。     

应用膨胀算法提取目标的直接定位算法

为了解决被动雷达系统中的多发射源定位问题，提出了一种基于多重信号分类(MUSIC)算法和图像膨胀(IE)算法的直接定位方法。该方法结合了谱分析中的MUSIC思想，通过对接收量测协方差矩阵进行特征分析求解目标的位置。首先，在目标个数未知的前提下，利用Akaike信息准则(AIC)来确定模型阶数；然后，推导了基于MUSIC的定位代价函数；之后，利用图像膨胀算法处理得到的代价函数平面；最后，膨胀处理后的输出为目标个数及目标位置的估计值。提出的算法有效地解决了目标检测及提取的问题，能够确定多个目标的位置坐标，为后续的定位性能分析提供可能性，也保证了算法的完整性。进一步地分析了多个临近目标情况下影响目标提取性能的主要因素。     

基于改进差分进化算法的时间调制阵列多波束优化形成

提出了一种基于时间调制阵列的数字多波束形成方法。时间调制阵列会产生基波分量和各次谐波分量,通过调整各个单元的控制时序,实现谐波分量的幅度和相位综合,可以在正负第一次谐波处实现期望方向的波束形成。同时采用改进差分进化算法来优化控制时序,进一步降低最大旁瓣电平,实现两个指向不同的数字波束的设计。最后通过与时间调制阵列波束形成和基于基本差分进化算法的时间调制阵列波束形成对比,验证了该算法在数字多波束形成中的可行性和有效性。     

基于模糊谱聚类的不确定蛋白质相互作用网络功能模块挖掘

针对谱聚类融合模糊C-means（FCM）聚类的蛋白质相互作用（PPI）网络功能模块挖掘方法准确率不高、执行效率较低和易受假阳性影响的问题，提出一种基于模糊谱聚类的不确定PPI网络功能模块挖掘（FSC-FM）方法。首先，构建一个不确定PPI网络模型，使用边聚集系数给每一条蛋白质交互作用赋予一个存在概率测度，克服假阳性对实验结果的影响；第二，利用基于边聚集系数流行距离（FEC）策略改进谱聚类中的相似度计算，解决谱聚类算法对尺度参数敏感的问题，进而利用谱聚类算法对不确定PPI网络数据进行预处理，降低数据的维数，提高聚类的准确率；第三，设计基于密度的概率中心选取策略（DPCS）解决模糊C-means算法对初始聚类中心和聚类数目敏感的问题，并对预处理后的PPI数据进行FCM聚类，提高聚类的执行效率以及灵敏度；最后，采用改进的边期望稠密度（EED）对挖掘出的蛋白质功能模块进行过滤。在酵母菌DIP数据集上运行各个算法可知，FSC-FM与基于不确定图模型的检测蛋白质复合物（DCU）算法相比，F-measure值提高了27.92%，执行效率提高了27.92%；与在动态蛋白质相互作用网络中识别复合物的方法（CDUN）、演化算法（EA）、医学基因或蛋白质预测算法（MGPPA）相比也有更高的F-measure值和执行效率。实验结果表明，在不确定PPI网络中，FSC-FM适合用于功能模块的挖掘。     

结合优化支持向量机与K-means++的工控系统入侵检测方法

针对工业控制系统传统单一检测算法模型对不同攻击类型检测率和检测速度不佳的问题，提出一种优化支持向量机和K-means++算法结合的入侵检测模型。首先利用主成分分析法（PCA）对原始数据集进行预处理，消除其相关性；其次在粒子群优化（PSO）算法的基础上加入自适应变异过程避免在训练的过程中陷入局部最优解；然后利用自适应变异粒子群优化（AMPSO）算法优化支持向量机的核函数和惩罚参数；最后利用密度中心法改进K-means算法与优化后的支持向量机组合成入侵检测模型，从而实现工业控制系统的异常检测。实验结果表明，所提方法在检测速度和对各类攻击的检测率上得到明显提升。     

两阶段领域自适应学习

针对领域自适应问题中源域和目标域的联合分布差异最小化问题,提出两阶段领域自适应学习方法.在第一阶段考虑样本标签和数据结构的判别信息,通过学习一个共享投影变换,使投影后的共享空间中边缘分布的差异最小.第二阶段利用源域标记数据和目标域非标记数据学习一个带结构风险的自适应分类器,不仅能最小化源域和目标域条件分布差异,还能进一步保持源域和目标域边缘分布的流形一致性.在3个基准数据集上的实验表明,文中方法在平均分类准确率和Kappa系数两项评价指标上均表现较优.     

均匀T网格样条曲面的局部细分算法

为解决T样条曲面造型中控制点插入的规范与半规范问题,提出基于均匀T网格样条曲面的局部细分算法。首先根据T样条曲面定义,将B样条曲面转换成均匀T网格样条曲面,然后在均匀T网格样条曲面中进行局部均匀控制点插入。为满足曲面局部特征细分要求,采用递进控制点插入形式:拥有局部特征的网格先进行全行(或全列)均匀控制点插入,之后进行局部列(局部行)均匀控制点插入,在此基础上,可以再次进行均匀控制点插入,以达到对网格的嵌套细分。该算法对初始网格控制点的混合函数进行矩阵转换,得到最终T网格上控制点的混合函数,实现最终曲面构造。与T样条曲面的局部细分相比,该方法简化了任意控制点插入的复杂度,与B样条曲面的局部细分相比,该方法减少了多余控制点。