提升静态小波域内多聚焦图像融合算法

针对同一场景的多聚焦图像融合问题,提出了一种新的基于提升静态小波变换(Lifling Stationary Wavelet Transform,LSWT)的多尺度积图像融合算法.该方法在选择融合图像的低频子带系数时定义了一种新的改进拉普拉斯能量和(Sum Modified-laplacian,SML),设计了一种基于拉...     

一种新的领域智能体:免疫智能体

在分析了智能体的共性特点之后提出了领域智能体的概念 ,阐明了开展应用于特定领域的智能体的研究的重要意义 ,分析了一般智能体与领域智能体之间的概念关系。结合人工免疫系统与智能体技术提出了一种新的领域智能体———免疫智能体 ,分析了免疫智能体的产生、个性特点、行为特性 ,并构建了一种能对动态环境进行实时监控和故障预警的多免疫智能体模型。最后指明了免疫智能体的进一步研究方向。     

复杂网络的局部社团结构挖掘算法

挖掘复杂网络的社团结构对研究复杂系统具有重要的理论和实践意义.其中,相较于全局社团,局部社团的挖掘难度更大,相关文献更少.现有的局部社团挖掘算法大都精度较低、稳定性较差.本文提出了一个有效的局部社团挖掘算法,称为内外夹推法（Shell interception and core expansion,SICE）.算法有两个创新之处:1）将节点相似度模型引入到局部社团挖掘算法中（节点相似度模型在局部社团挖掘中较难应用）,并提出了“一次一个子图”的社团扩展模式;2）提出了一种“内外夹推”的思想.这两个创新使SICE算法摆脱了缺乏网络全局信息的困扰,并解决了以往算法的一个致命缺陷,从而使算法具有很高的精度和稳定性.通过理论分析和实验比较,证明SICE算法要远好于当前的同类算法,甚至不逊色于性能较好的全局社团挖掘算法.     

基于空间聚类的动物疫点分布划分算法研究

防疫管理资源(人员和设备等)的合理有效配置是动物疫情防疫管理关注的问题之一。根据疫点的空间分布情况,基于空间聚类和最大夹角边界确定方法,提出了对疫点分布进行分类划分的方法。首先研究了将K-Means聚类分析方法应用于疫点的空间聚类分析,实现了疫点按空间亲疏关系的分类。在此基础上,根据最大夹角原理,在聚类结果中确定了每一个分类的边界线,实现了对疫点按空间关系进行分类划分区域的方法,从而为疫情管理人员有效地监测与分析疫情空间分布模式、控制管理和预防动物疫情的扩散提供了支持。     

基于时空约束和稀疏表示分类的目标跟踪算法

针对经典稀疏分类目标跟踪算法中目标模板和目标基的建模及更新方式效率低,跟踪性能不可靠等问题,提出一种新的目标跟踪算法,解释了时空约束原理,目标基、背景基、时序特征池的创建方法以及选择与抛弃两种基更新机制;该算法采用时序循环更新方式解决模板更新问题,结合稀疏表示分类和标准对冲实时计算目标坐标。相比其他几种经典目标跟踪算法,有效提高了在复杂背景下的目标跟踪性能。     

基于VC＋＋的Word文档自动生成技术

采用COM技术调用OLE自动化对象,实现了Word文档在Vc＋＋平台中的自动生成。运用书签定位和光标跟随相结合的技术,在自动生成的Word文档中精确插入了文字、图片、表格和目录。     

一种改进的RBF神经网络参数优化方法

提出了一种改进的RBF神经网络参数优化算法。通过资源分配网络算法确定隐含层节点个数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法对RBF网络的中心、宽度、权值进行优化,使RBF网络不仅可以得到合适的结构,同时也可以得到合适的控制参数。将此算法用于连续搅拌釜反应器模型的预测,结果表明,此算法优化后的RBF网络结构小,并且具有较高的泛化能力。     

基于多传感器信息融合的目标跟踪与防撞决策

为了实现汽车主动安全系统中的目标跟踪与防撞,提出了混合式汽车防撞系统信息融合结构模型,采用分级信息融合实现目标跟踪,推导出了基于跟踪残留误差和预测残留误差共同校正的融合算法,并给出了算法的实现结构.在此基础之上,利用模糊积分方法融合多种相关信息,确定了汽车应采用的安全运行模式,实现了主动安全防撞决策.大量实验表明,该算法具有很好的稳定性和准确率.     

基于SVM 的二叉树多类分类算法及其在故障诊断中的应用

基于结构风险最小化原则的支持向量机(SVM)对小样本决策具有较好的学习推广性。但由于常规SVM算法是从2类分类问题推导出的，在解决故障诊断这种典型的多类分类问题时存在因雄，因而提出一种依赖故障优先级的基于SVM的二叉树多级分类器实现(2PTMC)方法，该方法具有简单、直观，重复训练样本少的优点。通过将其应用于柴油机振动信号的故障诊断，获得了令人满意的效果。     

不平衡数据分类方法综述

随着信息技术的快速发展,各领域的数据正以前所未有的速度产生并被广泛收集和存储,如何实现数据的智能化处理从而利用数据中蕴含的有价值信息已成为理论和应用的研究热点.数据分类作为一种基础的数据处理方法,已广泛应用于数据的智能化处理.传统分类方法通常假设数据类别分布均衡且错分代价相等,然而,现实中的数据通常具有不平衡特性,即某一类的样本数量要小于其他类的样本数量,且少数类具有更高错分代价.当利用传统的分类算法处理不平衡数据时,由于多数类和少数类在数量上的倾斜,以总体分类精度最大为目标会使得分类模型偏向于多数类而忽略少数类,造成少数类的分类精度较低.如何针对不平衡数据分类问题设计分类算法,同时保证不平衡数据中多数类与少数类的分类精度,已成为机器学习领域的研究热点,并相继出现了一系列优秀的不平衡数据分类方法.鉴于此,对现有的不平衡数据分类方法给出较为全面的梳理,从数据预处理层面、特征层面和分类算法层面总结和比较现有的不平衡数据分类方法,并结合当下机器学习的研究热点,探讨不平衡数据分类方法存在的挑战.最后展望不平衡数据分类未来的研究方向.