一种视觉显著性引导的模糊聚类图像分割方法

传统的模糊C均值聚类算法利用图像的灰度、颜色、纹理、强度等底层特征进行聚类,实现图像的分割,它容易受到噪声的影响,且计算量大,不能提供理想的彩色图像分割结果.针对这些问题,提出一种视觉显著性引导的模糊聚类图像分割方法.首先使用显著性检测对图像进行初始化分割,得到带有区域级标注信息的引导图,然后将引导图作为指导信息,引导...     

一种基于环形分布的SVM核选择方法

核选择是支撑向量机(Support Vector Machine,SVM)研究中的核心问题之一.文章提出了一种基于数据分布特征的SVM核函数选择方法.分析了几种常用核函数的性能,提出了判断数据呈环形分布的方法,探讨了SVM核函数及其参数选择与数据分布的相关性.数值实验说明了该方法的可行性与有效性.     

桩基础上结构TMD控制的振动台模型试验研究

完成了土－桩－结构－TMD相互作用体系的振台模型试验,首次通过振动台模型试验研究了土－桩－结构相互作用对TMD振动控制的影响,试验结果表明：当TMD装置的自振频率和相互作用体系频率一致时,TMD控制效率最佳,但此时其控制效率仍远不及风性基础上,TMD控制效率高,表明土－结构相互作用效应使TMD装置的减振效率大大降低,在一些情况下TMD装置甚至对结构起到负面作用。     

土—桩—结构相互作用体系的振动台模型试验

通过土－桩－结构体系的振动台模型试验,探讨了土－结构相互作用对结构动力特性和结构地震反应的影响,试验结果表明,土－结构相互作用使结构体系的自振频率降低,使体系的阻尼大大增加,土－结构相互作用还使结构顶部的加速度反应和结构底部的应变反应减小。     

变参数土层中单桩水平动力阻抗的简化计算

提出一个求解变参数土层中单桩水平动力阻抗的简化计算方法 ,即把变参数土层等效为均匀土层 ,把变参数土层中单桩水平动阻抗的计算转化为均匀土层中单桩水平动力阻抗的计算 .算例表明 ,选取合适的等效权函数 ,可以得到较为满意的结果 .变参数土层中单桩水平动力阻抗的简化计算@王文剑 @楼梦麟     

面向高维小样本数据的层次子空间ReliefF特征选择算法

高维小样本数据的特征维数远远高于样本数,因为其通常包含大量的冗余特征,ReliefF算法在处理这类数据时存在以下挑战：传统ReliefF算法无法剔除冗余特征,而现有的改进ReliefF算法大多通过启发式地计算特征与特征之间的互信息来剔除冗余特征,不适用于高维数据;通过截取与标记相关性最大的若干特征来进行分类,可能不是最优选择,因其没有考虑不同特征组合对分类性能的影响.为了解决以上问题,提出一种基于层次子空间的ReliefF特征选择算法,将原始特征集划分为具有层次结构的子空间,并利用邻域粗糙集理论来计算低层子空间的局部依赖度,能在高维小样本数据上高效率地批量剔除冗余特征.此外,为了考量不同特征组合对结果的影响,引入“局部领导力”的概念,保留部分子空间中“带队”能力较强的特征,从局部和全局的角度共同给予特征更加客观的评价.在六个微阵列基因数据集上的实验表明,与现有方法相比,提出的方法更高效,而且能保持良好的分类性能.     

变参数土层中单桩水平动力阻抗的简化计算

给出一个求解变参数土层中单桩水平动力阻抗的简化计算方法 ,即把变参数土层等效为均匀土层 ,把变参数土层中单桩水平动力阻抗的计算转化为均匀土层中单桩水平动力阻抗的计算 .算例表明 ,选取合适的等效权函数 ,可以得到较为满意的结果     

基于虚拟现实技术的大型场景视景仿真

虚拟现实技术在视景仿真方面的发展潜力巨大,尤其是在大场景三维虚拟漫游方面的应用,模型的逼真程度、大场景漫游速度一直是人们研究的重点,但在大型场景视景仿真中,往往在满足一定场景真实感的情况下会造成观察者的动态不适感。本文以山西大学校园场景为研究对象,对三维复原和漫游的实现过程及关键技术开展研究,三维重现了山西大学文科楼、理科楼、图书馆、学生宿舍等主要建筑,实现了山西大学校园的虚拟漫游、立体展示等功能。在此基础上,探讨了在满足漫游真实感的同时对大型场景建筑物的建模方法以及优化技巧。     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

一种基于关联规则的核粒度支持向量机

提出一种基于关联规则的核粒度支持向量机(association rules based kernel granular SVM,AR-KGSVM)学习算法.AR-KGSVM首先将输入空间中的样本用核函数映射到高维特征空间,然后在核特征空间挖掘基于距离度量的关联规则以划分粒.算法的粒划分和数据训练都是在高维核空间中进行,避免了一般的粒度支持向量(granular SVM,GSVM)在低维空间作粒划分而在高维空间中训练,使数据分布不一致而导致泛化能力不高的问题.在标准数据集上的实验结果表明AR-KGSVM的泛化能力优于传统的SVM和GSVM方法.