基于杰卡德度量的智能拼图改进算法

智能拼图算法常用的方法是先求出各个碎片之间的相似度度量,再根据度量还原图像。MGC（马氏梯度相似度度量）是其中一种很有效的度量,但在实际运用过程中,如果碎片中有大量相似物体存在时,算法不能很好地还原图像,会出现类似于“乱码”的情况。提出了一种利用Jaccard（杰卡德）度量,结合MGC度量,计算图像碎片之间的相似度,再利用贪心策略还原图像。实验结果表明,对于由自选图像随机生成的碎片,算法能够更准确地还原图像,并且能减小出现“乱码”图像的概率。提出了把Jaccard度量和MGC度量相结合的方法运用在智能拼图的还原中,尤其是当拼图碎片中有很多相似物体的情况下,该方法能明显地减少“乱码”现象,同时实验仿真结果证明了提出的方法比单纯的MGC方法具有抗噪性强和拼图准确率高的特点,在考古学碎片图片和文字复原、计算机取证、图像合成和场景无缝拼接等领域有一定的实用价值。     

全局跳数优化与跳距误差修正的DV-Hop改进算法

针对DV-Hop算法跳距估算误差积累所导致的定位精度问题,提出一种基于全局跳数优化与跳距误差修正的DV-Hop改进算法。该算法首先利用节点的通信半径与影响节点跳数的相关参数对全局跳数值进行协同优化,以使节点间的跳数趋于合理。然后根据最佳指数的最小均方误差准则计算平均跳距,并与单跳平均误差共同修正平均跳距,以进一步降低平均跳距的误差。实验结果表明,该算法能够有效的降低误差累积的影响,提升未知节点的定位精度,对比DV-Hop算法与相关文献,该算法的节点定位效果更好。     

基于非对称多值特征杰卡德系数的高维语义向量差异性度量方法

语义向量差异性度量是采用深度学习方法解决自然语言处理领域问题的重要基础。在高维语义向量差异性度量中存在“度量集中”问题,导致通过传统的度量方法得到的度量结果无法体现语义向量间的差异性。针对该问题,提出一种基于非对称多值特征杰卡德系数的差异性度量方法。由高维语义向量维度值的统计分布得出,部分维度的维度值密集地分布在特定值域内,导致其无法贡献差异度,因此不同维度对差异性的贡献量不同,具有非对称性。该方法定义了关于维度值的重要性函数,选取重要性函数值满足阈值的维度参与差异度计算,去掉无法贡献差异度的维度,从而实现了降维,缓解了“度量集中”问题。分别在渔业数据集和公开数据集上,对不同维度的语义向量的不同度量方法进行了比较,结果表明在语义性没有明显变差的情况下,所提方法的多样性指标较目前最优的度量方法有大幅提高。     

融合RSSI跳数量化与误差修正的 DV-Hop改进算法

为了提高DV-Hop算法在非均匀网络中的定位精度,提出一种基于RSSI跳数量化与误差修正的DV-Hop改进算法。改进算法首先利用节点间RSSI值与基准RSSI值的比值量化节点间跳数,使整数跳数转化为连续跳数,并在量化跳数的基础上对锚节点平均跳距进行重估,然后对各锚节点平均跳距进行加权处理以修正未知节点平均跳距。最后利用未知节点与最近锚节点的距离关系对未知节点坐标的估计误差进行修正,以进一步降低节点的定位误差。实验结果表明,相较于DV-Hop算法及相关文献,改进算法在相同的网络环境下能够有效降低累积误差对距离估算的影响,提升未知节点定位的精度,在不增加硬件开销的情况下,改进算法的相对定位误差比DV-Hop算法平均下降了20.7%。     

基于跳数修正的DV-Hop改进算法

针对无线传感器网络DV-Hop定位算法在实际应用中定位误差较大的问题,提出一种基于跳数修正的改进算法。在引入限跳机制的条件下,按未知节点与信标节点间的跳数值分类估算,对1跳区域内的节点采用RSSI测距技术,对于节点间跳数值大于1跳的节点,则利用信标节点间实际距离与估计距离的误差值修正平均每跳距离。仿真实验表明,在相同的网络条件下,与原DV-Hop定位算法和其他改进算法相比,改进后的算法能更有效地减少跳距估算带来的定位误差,提高平均定位精度并保持较好的算法稳定性。     

基于巴氏系数和Jaccard系数的协同过滤算法

针对传统基于邻域的协同过滤推荐算法存在数据稀疏性及相似性度量只能利用用户共同评分的问题,提出一种基于巴氏系数和Jaccard系数的协同过滤算法（CFBJ）。在项目相似性度量中,该算法引入巴氏系数和Jaccard系数,巴氏系数利用用户所有评分信息克服共同评分的限制,Jaccard系数可以增加相似性度量中共同评分项所占的比重。该算法通过提高项目相似度准确率来选取最近邻,优化了对目标用户的偏好预测和个性化推荐。实验结果表明,该算法比平均值-杰卡德差分（MJD）算法、皮尔森系数（PC）算法、杰卡德均方差（JMSD）算法、PIP算法误差更小,分类准确率更高,有效缓解了用户评分数据稀疏所带来的问题,提高了推荐系统的预测准确率。     

无线传感器网络DV-hop定位改进算法

提出了一种改进的DV-Hop定位算法,通过对DV-Hop算法的局部优化,减小了定位计算量,并使得改进的DV-Hop算法对不规则形状的节点分布网络具有较强的适应性,克服了原算法只适用于各向同性网络的不足。仿真结果表明,改进的DV-Hop算法减小了用于定位的通信开销,提高了定位精度,从而验证了改进的DV-Hop算法能够适用于节点不规则分布的异性网络。     

基于跳数修正的DV-Hop定位的改进算法

DV-Hop算法是一种最典型的非测距的节点定位算法。为了提高DV-Hop算法的精度,引入了前序节点(Previous Node,PN)和总平均每跳距离这两个概念,设计了改进的MHDV-Hop算法,它只需很低的信标节点比例,不改变DV-Hop算法的过程,也不需要额外硬件支持,通过PN的数量计算出未知节点到信标节点跳数的修正系数,使得定位精度有很大提高。     

基于跳距优化的DV-Hop定位算法

为提高DV-Hop算法的定位精度,该文针对DV-Hop算法存在的跳距误差累计问题提出了一种改进方案.改进的算法从减少误差的产生和扩散两方面对原始算法进行了优化,通过让锚节点以多个通信半径广播信息来降低计算平均跳距时产生的初始误差,同时又让未知节点选择累积误差最小的跳距计算距离,以减少锚节点平均跳距在通信过程中导致的误差...     

基于RSSI测距误差修正的改进型DV-distance差分定位算法

DV-distance是一种基于多跳机制的定位算法,其相邻节点间的距离通过RSSI测距技术实际测量得到。为了减少RSSI测距误差对定位精度的影响,首先对RSSI测距误差进行修正,再对已有的信标节点间计算距离误差修正值的方法作进一步改进,提出一种基于RSSI测距误差修正的改进型DV-distance差分定位算法。仿真结果表明,相比已有的定位算法,该改进算法不仅能提高节点的定位精度,还能减少网络通信开销及计算复杂度。     

基于RSSI跳数修正的DV-Hop改进算法

针对原始DV-Hop算法中跳数值不能反应出节点间实际距离大小而导致拓扑不规则网络中节点定位误差较大的问题,提出了一种基于接收信号强度指示RSSI(Rceived Sgnal Srength Idicator)的改进算法。首先根据直接邻居节点接收到的RSSI值对第1跳进行分级,细化跳数;同时把节点间的距离比值作为权值,并将其转化为相应RSSI的关系对跳数进行加权修正,使获得的跳数值更准确。仿真结果表明在相同的网络环境下,与传统算法相比改进算法在不增加额外硬件的前提下有效地提高了定位精度。     

基于改进的Jaccard系数文档相似度计算方法

文本相似度主要应用于学术论文查重检测、搜索引擎去重等领域,而传统的文本相似度计算方法中的特征项提取与分词环节过于冗杂,而且元素的随机挑选也会产生权重的不确定性. 为了解决传统方法的不足,提出一种基于改进的Jaccard系数确定文档相似度的方法,该算法综合考虑了各元素、样本在文档中的权重及其对多个文档相似度的贡献程度. 实验结果表明,基于改进的Jaccard系数的文档相似度算法具有实效性并且能够得到较高的准确率,适用于各种长度的中英文文档,有效地解决现有技术中存在的文档间相似度计算不精的问题.     

基于平均跳距估计的改进DV-Hop定位算法

传统DV—Hop定位算法只考虑了最近一个锚节点估计的平均每跳距离,而单个锚节点估计的平均每跳距离值无法准确地反映网络的实际平均跳距,导致定位误差较大。针对这一问题,提出一种基于平均跳距估计的改进DV—Hop定位算法。改进算法在计算未知节点到各个锚节点距离时,考虑到离该未知节点最近的锚节点到其它锚节点的距离及跳数的不同,计算出不同的平均跳距,使其更接近于实际平均跳距。仿真结果表明,与传统DV—Hop算法相比,改进算法在不需要增加节点的硬件开销的基础上能更有效地提高定位精度,并且算法简单,计算量小,是无线传感器网络中节点定位的一种实用方案。     

基于测距修正和位置校正的RSSI定位算法

在基于接收信号强度指示(RSSI)的无线传感器网络节点定位问题中,为了提高节点的定位精度,通过对无线电传播路径损耗模型的分析,提出了基于RSSI测距的改进距离估计公式。针对已有节点校正方法存在的不足,提出了将一次循环校正后所有校正坐标的质心作为新的节点位置的校正方法。实验结果表明,改进的距离估计公式有效地提高了节点间的距离精度,并在适当增加节点计算量前提下,节点位置校正使节点的定位精度更高,达到良好的定位效果。     

基于误差加权和距离修正的改进DV-Hop算法

针对DV-Hop算法定位精度不高的问题,提出一种基于误差加权和估计距离修正的改进DV-Hop算法。该算法先采用距离误差和跳数归一化加权的思想对锚节点的平均跳距进行修正,再根据锚节点距待定位节点位置的远近程度对两者间的估计距离进行修正。仿真结果表明：改进算法在无需增加额外通信开销的情况下,使定位精度提高约48.95%,稳定性更高。     

基于节点RSSI值与临界RSSI比例的跳数修正和跳距重估的DV-HOP算法

为了减少传统DV-Hop定位算法对未知节点定位时产生的较大误差,提出了一种基于节点RSSI值与临界RSSI比例跳数修正和跳距重估的DV-HOP算法。首先,采取节点RSSI值与临界RSSI比例来修正跳数,得到修正后的跳数;然后利用修正后的跳数求解跳距均衡系数对平均跳距进行穷尽三角组合加权修正,得到修正后的跳距;最后,将修正后跳距与通信半径进行比较,偏差最大和最小的跳距不参与计算,再求剩余跳距值的均值得到平均每跳距离。仿真结果表明：在相同的网络环境下,与经典的DV-Hop算法相比,文中算法仅需要节点通信芯片具有RSSI指示功能,并不需要其它额外的硬件,有效降低了定位误差;与其他DV-Hop修正算法相比,该算法同样也具有降低定位误差的优势。     

变系数加权误差函数的判决反馈盲均衡算法

针对严重失真的水声信道,在分析几种常用传统误差函数和判决反馈均衡器（DFE）的基础上,构造了一种变系数加权误差函数,对DFE权向量进行更新,提出了基于变系数加权误差函数的判决反馈盲均衡算法（VCMDFE）。与基于传统误差函数的判决反馈盲均衡算法（CMDFE）相比,新算法能够根据均衡的进度,利用一变系数去调节误差函数数值的大小,以取得比CMDFE算法更快的收敛速度和更低的稳态误差。水声信道的仿真结果验证了该算法的有效性。     

基于聚合距离参数的改进K-means算法

针对传统K均值聚类（K-means）算法随机选择初始中心及K值导致的聚类结果不确定且精度不高问题,提出了一种基于聚合距离的改进K-means算法。首先,基于聚合距离参数筛选出优质的初始聚类中心,并将其作用于K-means算法。然后,引入戴维森堡丁指数（DBI）作为算法的准则函数,循环更新聚类直到准则函数收敛,最后完成聚类。改进算法提供了优质的初始聚类中心及K值,避免了聚类结果的随机性。二维数值型仿真数据的聚类结果表明,改进算法在数据样本数达到10000时仍能保持较好的聚类效果。针对Iris和Seg这两个UCI标准数据集的调整兰德系数,改进算法比传统算法性能分别提高了83.7%和71.0%,最终验证了改进算法比传统算法聚类结果的准确性更高。