基于链接突触计算网络的遥感图像对比度增强算法

针对卫星遥感图像在增强对比度和去除噪声过程中出现纹理细节丢失和图像自然性降低的问题,提出一种基于链接突触计算网络的卫星遥感图像对比度增强算法。在彩色图像转变至HSV颜色空间的前提下,通过引导滤波器去除噪声和边缘增强技术突出细节;将边缘增强的图像输入链接突触计算网络,采取与显著特征图相结合的方式增强图像亮度和对比度;在RGB空间上,利用改进的自然色彩还原技术对增强图像进行还原。实验结果表明,相对于其他对比度增强算法,该方法在多个评价指标上都有很好的性能体现,在增强图像对比度和亮度的同时,保留了丰富的纹理细节和自然色彩度。     

基于“桶”分类的快速属性约简算法

粗糙集中的属性约简算法如PawlakZ约简算法及Skowron算法均可有效找到约简的属性集,但都要花费巨大的时间、空间,且对于大数据集约简几乎不可能。针对以上经典算法的不足,文章提出一种快速属性约简算法。算法先将所有样本按决策属性分类,且用不同颜色的桶来装样本。其次,通过深度搜索结合广度搜索的策略,利用几个条件属性集的交集划分得到数据集的约简。在运算过程中,不断地删除交集中的数据,可有效提高效率。实验表明,该算法切实可行,可快速地找到属性约简集,并结合实例,说明了算法的可行性。     

基于微粒群算法的单阶段投资组合优化

投资组合优化问题是NP难解问题,通常方法很难达到全局最优,文章对微粒群算法在投资组合优化中的具体应用进行了研究,在具体应用过程中为了提高算法的收敛性和稳定性对算法进行了改进,通过多次具体的真实历史数据的验证和试验结果分析。结果表明在解决单阶段投资组合优化问题中,微粒群算法是一种高效的、可靠的优化算法,具有一定的实用价值。     

“组态王”组态软件及其应用实例

本文主要论述“组态王”组态软件，它具有纯中文界面、编程方法简单、实时趋势记录、报表记录与实时打印且与其他应用程序交换方便，易调试等优点。作者简介了“组态王”软件的功能，并以它在供热调控系统中的应用为例，介绍了功能画面组态、变量定义和脚本程序编制的方法。     

基于QPSO算法的单阶段投资组合优化

投资组合优化问题是NP难解问题,通常的方法很难较好地接近全局最优.在经典微粒群算法(PSO)的基础上,研究了基于量子行为的微粒群算法(QPSO)的单阶段投资组合优化方法,具体介绍了依据目标函数如何利用QPSO算法去寻找最优投资组合.在具体应用中,为了提高算法的收敛性和稳定性对算法进行了改进.利用真实历史数据进行验证,结果表明在解决单阶段投资组合优化问题时,基于QPSO算法的投资组合优化的性能比PSO算法更加优越,且QPSO算法在投资组合优化领域具有很大的实际应用价值.     

基于QPSO-SA混合算法的多目标投资组合优化

多目标投资组合优化就是决定每个具有特定风险、回报、交易费用等特征的资产在总投资价值中的投资比例,即选择那些资产投资以及寻找每个投资资产的最佳投资比例,使得总投资的风险最小、交易费用最小、回报最大等等。该问题是典型的NP难解问题,通常方法很难达到全局最优。研究如何把基于量子行为的微粒群优化算法（QPSO算法）和模拟退火算法(SA算法)结合起来解决多目标投资组合优化问题。利用美国标准普尔指数100的股票历史数据进行验证,纯QPSO算法与QPSO-SA混合算法的运行结果比较表明在解决多目标投资组优化问题中,QPSO-SA混合算法是一种高效的、可靠的优化算法,具有一定的实用价值。     

基于微分进化算法的多阶段投资组合优化

投资组合优化问题就是决定每个具有特定风险和回报的投资资产在总投资价值中的分配比例。在不断变化的金融市场中,多阶段投资组合优化就是通过周期性重新平衡投资资产比例管理投资组合以达到投资风险最小或投资回报最大。研究了基于微分进化算法在多阶段投资组合优化中制定投资决策的方法,目标函数是最大化个人经济效益或最大化周期结束时个人财富。通过比较用微分进化算法和遗传算法(GA)优化同样的资产对象所得到的期望收益率均值与方差,该文所提出的方法的优越性被美国标准普尔指数100的不同股票和现金分配优化所证实。     

基于QPSO算法的多阶段投资组合优化

研究了基于量子行为的微粒群优化（QPSO）算法在多阶段投资组合优化中制定投资决策的方法，目标函数是最大化个人经济效益或最大化周期结束时个人财富。通过比较用QPSO算法和遗传算法优化美国标准普尔指数100的不同股票和现金分配所得到的期望收益率均值与方差，证实了该方法的优越性。