基于符号零压缩二叉决策图的装配可行性判定方法

为了扩大装配序列规划的求解规模并提高求解效率,提升装配自动化水平,给出了装配体联接矩阵和干涉矩阵的零压缩二叉决策图描述,建立了基于符号零压缩二叉决策图的装配操作可行性判定方法。基于该方法,可以高效地求解出一个装配体的可行装配操作。结合实例验证了基于符号零压缩二叉决策图的装配体模型和可行装配操作判定方法的正确性和可行性。     

基于矩阵完整化的分块整合推荐算法

传统的推荐系统往往是通过使用协同过滤或基于内容的方式来实现的,而文中将矩阵完整化的方法应用到推荐系统中。由于数据的稀疏性,直接使用矩阵完整化的方法会给推荐结果带来不小的误差。考虑到使用用户中存在一些活跃用户,挖掘出这些特殊用户,由他们组成的数据会降低稀疏性,而且对活跃用户提高 推荐质量,会产生更大的商业价值。提出了一种分块整合推荐的方法,实验结果表明该方法能够提升推荐精度。     

加权低秩矩阵恢复的混合噪声图像去噪

传统的基于低秩矩阵恢复的图像去噪算法只对低秩部分进行约束,当高斯噪声过大时,会导致去噪不充分或细节严重丢失。针对此问题,提出了一种新的鲁棒的图像去噪模型。该模型在原有的低秩矩阵核范数约束的基础上引入高斯噪声约束项,此外为了提高低秩矩阵的低秩性和稀疏矩阵的稀疏性,引入了加权的方法。为了考察方法的去噪能力,选取了不同参数类型的混合噪声图像进行仿真,并结合峰值信噪比、结构相似度评价标准与传统的基于低秩矩阵恢复的图像去噪算法进行对比。实验结果表明,加权低秩矩阵恢复的混合噪声图像去噪算法能增加低秩矩阵的低秩性和稀疏矩阵的稀疏性,在保证去噪效果的同时,保留了图像的细节信息,具有更佳的视觉效果,同时,客观评价指标均有所提高。     

基于双支持向量回归机的增量学习算法

提出了一种基于双支持向量回归机的增量学习算法。将获取到的新样本加入训练数据集后,该算法无需在整个新的数据集上重新训练双支持向量回归机,而是充分利用增量前的计算信息,从而大大减少了模型更新中逆矩阵的计算量,提高了算法的执行效率。在人工数据集、时间序列预测和UCI数据集上的数值实验表明,该算法快速有效。     

科研社交网络中基于联合概率矩阵分解的科技论文推荐方法研究

近年来随着科研社交网络中科技论文数量爆炸式的增长,科研人员很难高效地找到与之相关的科技论文,因此面向科研工作者的科技论文推荐方法应运而生。然而,传统的科技论文推荐方法没有充分挖掘科研社交网络中广泛存在的社会化信息,导致科技论文推荐质量不高。为此,提出了一种科研社交网络中基于联合概率矩阵分解的科技论文推荐方法,在传统概率矩阵分解的基础上,融入了社会化标签信息和社会化群组信息来进行科技论文推荐。为了验证所提方法的有效性,抓取了科研社交网络CiteULike上的数据进行了实验。实验结果表明,与其它传统推荐方法相比较,所提方法在Precision和Recall两个评价指标上均取得了较好的推荐结果,并且能够应用于大规模数据集,具有良好的可扩展性。     

基于遗传算法的海底沉积物纹理特征优化方法

为了提高水下机器人对海底沉积物的自主分类感知能力,解决特征冗余问题,对利用遗传算法优化海底沉积物纹理特征进行了研究。以基于灰度共生矩阵和分形理论提取多种海底沉积物视觉纹理特征实现海底沉积物分类识别为背景,提出利用遗传算法对纹理特征项进行优化选择以实现对提取特征的降维,并将降维后的特征项作为自组织映射神经网络模型的输入,对海底沉积物进行视觉分类,提高水下机器人作业时的环境感知能力。实验结果表明,相对于未优化的纹理特征,优化后的纹理特征在海底沉积物分类识别中具有更优的分类效果。     

DTN中基于节点相遇规律的自适应散发等待路由

在容滞网络中,针对散发等待BSW(Binary Spray and Wait)路由协议在转发报文时具有一定的盲目性。提出将每个节点维护的路由信息由一维拓展到二维,并在该基础上研究节点的相遇规律,动态地调整报文转发策略,从而解决当前节点与信宿节点相遇概率较低的问题。实验结果表明,该算法与散发等待路由相比,在降低平均延迟的基础上,能有效改善报文的递交率。     

一种高效的扩展粒子滤波相位展开方法

鉴于干涉相位展开是InSAR技术应用中最为关键的步骤和难点,把扩展粒子滤波算法与修正矩阵束模型、量化跟踪策略结合起来,提出一种高效的扩展粒子滤波相位展开方法。利用修正矩阵束模型算法快速、准确地从复干涉图中获取扩展粒子滤波相位系统模型所需要的相位梯度信息,以改善算法效率;利用量化跟踪策略来指导相位展开路径,减小在搜索最佳待展开像元时所消耗的时间,进一步提高算法效率;最后,利用扩展粒子滤波算法沿量化跟踪策略所定义的路径处理缠绕像元,在滤去残留噪声同时完成相位展开。实验处理结果表明,该方法具有效率较高,稳健性较强的特点。     

基于特征融合和优化极限学习机算法的虹膜识别系统

针对虹膜图像采集过程中存在光照、干扰等因素,为进一步提高虹膜图像识别的准确率,提出一种基于组合特征提取的优化极限学习机(ELM)模型来提高虹膜图像识别的精度。模型考虑了特征提取和分类器优化两者均起着重要作用,利用灰度共生矩阵(GLCM)和多通道2D Gabor滤波器特征提取后进行特征融合,得到更丰富的特征信息,并设计改进了蜂群算法(IABC)优化ELM模型作为分类器。同时设计的线性加权多目标函数综合考虑分类精度和网络结构,从而有效提高了虹膜识别的准确率。实验表明提出的模型通过结合两种特征提取方法,能提取出更丰富的可区分特征,并且结合优化分类器得到了很高的分类准确率,是一种有效的虹膜识别模型。     

基于GPU加速和矩阵优化的医学图像重建

计算机断层扫描CT(Computed Tomography)等医学影像设备产生的投影数据巨大,因此由投影数据重建原始图像是一个需要大量计算的耗时过程。为了提高CT图像重建速度,在主流的个人计算机平台上,将基于GPU(Graphic Processing Unit)并行计算的CUDA(Compute Unified Device Architecture)技术应用于Cimmino同步迭代重建算法,并针对GPU并行架构的特点,使用CSR-ELL联合存储格式对数据的存储进行了优化以进一步提高并行效率。实验结果显示,该GPU并行Cimmino重建方法能够减少72%的图像重建时间,在保证成像质量的前提下提高了重建速度。