ART—2网络学习算法的改进

详细介绍了ＡＲＴ－２网络的算法，通过一个渐变输入模式序列揭示了ＡＲＴ－２网络潜在的模式漂移现象，由此导出ρ＾０〉ρ＾０的矛盾，并改进了网络的学习算法，使其适用于对大规模的呈集群分布的输入模式序列的识别。     

基于ART2改进算法的故障聚类研究

ART2（自适应谐振理论2）算法是神经网络中一种可以对模拟输入信号或二值信号进行无监督聚类的算法,所以ART2算法能够降低数据挖掘中原始数据的预处理的复杂度,提高挖掘效率。针对ART2算法中出现的聚类中心偏移的缺点,采用ART2算法与K-均值算法相结合的方法来抑制ART2中聚类中心偏移的现象。通过仿真对该方法进行了验证。     

基于局部搜索的求解图的二划分问题的改进算法

文章对一般的求解图的二划分问题的局部搜索算法进行了改进,改进的算法模拟了大自然的自组织、自适应过程,算法简单、高效,通过用几个实例子对算法的测试,所得的解的质量明显提高。     

ART算法快速图像重建研究

讨论了影响ART(Algebraic Reconstruction Technique)算法重建速度和重建质量的主要因素,包括投影数据访问方式、松弛因子和投影系数等。针对投影系数的计算占绝大部分重建时间,成为制约ART算法的瓶颈,提出了一种快速、实时的投影系数计算方法。该方法通过一个距离参数来确定与射线相交的网格编号并计算出相交长度,距离参数采用增量计算,极大地节省了时间。实验结果表明该文提出的方法非常有效,与Siddon算法相比,在保证图像质量不受损失的前提下取得了6倍以上的重建加速比。     

基于ART2神经网络算法改进的研究

ART2神经网络是按照自适应谐振理论建立的一种自组织、无监督的人工神经网络.通过分析经典自适应谐振神经网络聚类过程,针对传统ART2神经网络模型对分类的不确定性和网络权值模式漂移等不足,提出了基于算法改进的ART2神经网络模型.最后对改进的ART2神经网络进行了仿真,并与经典神经网络所做仿真的结果比较,验证了改进的ART2神经网络结构大大提高了分类的正确率,有效改善了模式漂移现象.降低了空间存储消耗.     

改进ART Ⅱ算法的仿真研究

ART Ⅱ网络以模式的相似性量度值为基础,能够对动态的输入模式样本进行自适应的聚类和识别,然而标准的ART Ⅱ网络在输入数据处理过程中,忽略了样本数据中的负数信息和幅值信息,造成信号畸变和"同相位不可分"问题,在权值调整过程中,聚类中心发生移动,容易造成"模式漂移"现象。针对上述问题结合相关文献提出了引入非线性函数对输入数据进行变换的方法解决"同相位不可分"问题,用待测数据与同一模式类中有限数据的欧氏距离与限定值进行比较实现聚类判定,抑制"模式漂移"现象。用Matlab仿真表明,改进算法性能优于标准算法。     

ART－2网络学习算法的改进

详细介绍了ＡＲＴ－２网络的算法。通过一个渐变输入模式序列揭示了ＡＲＴ－２网络潜在的模式漂移现象，由此导出ρ０＞ρ０的矛盾，并改进了网络的学习算法，使其适用于对大规模的呈集群分布的输入模式序列的识别     

一种改进的ART1算法及其在人像识别中的应用

本文通过对自适应共振理论（ＡＲＴ）ＡＲＴ１的研究,提出了一种改进的ＡＲＴ１算法,这种算法不仅具有ＡＲＴ１算法的所有优点,而且降低了ＡＲＴ１算法的识别识误差。该算法在人像识别中取得了令人满意的效果。     

ART2网络结构与算法的改进

ART2网络中的模式匹配过程,以及相似度警戒测试过程均以模式的相似性量度值为基础。传统ART2网络的相似量度是一种关于模式相位信息的量度,在需要考虑模式幅度信息及处理集群分布样本时,效果很不理想。文章针对此不足,提出以欧氏距离为相似测度的新型网络:MART2。输入模式的幅度信息被提取出来,并送到相应的中间模式和警戒测试部分。新网络中引入三个辅助函数共同计算输入模式与存贮模式的相似度,使得在进行模式匹配和警戒测试时,幅度信息没有丢失。实验证明,MART2在处理集群分布样本时,性能优于传统ART2。MART2是对ART2网络的一种补充。     

基于局部化原理和概率模型的LVQ改进算法

利用局部化原理和概率模型的优化方法，提出一种LVQ改进算法——基于局部化原理和概率模型的LVQ算法(Localization principle and Probability based LVQ，LoPLVQ)．与传统LVQ算法相比，不仅缩短训练时间，而且具有较高的识别率．实验结果表明改进算法可用来解决大规模的模式识别问题．     

An Adaptive Rapidly-Exploring Random Tree

Sampling-based planning algorithms play an important role in high degree-of-freedom motion planning(MP)problems,in which rapidly-exploring random tree(RRT)and the faster bidirectional RRT(named RRT-Connect)algorithms have achieved good results in many planning tasks.However,sampling-based methods have the inherent defect of having difficultly in solving planning problems with narrow passages.Therefore,several algorithms have been proposed to overcome these drawbacks.As one of the improved algorithms,Rapidlyexploring random vines(RRV)can achieve better results,but it may perform worse in cluttered environments and has a certain environmental selectivity.In this paper,we present a new improved planning method based on RRT-Connect and RRV,named adaptive RRT-Connect(ARRT-Connect),which deals well with the narrow passage environments while retaining the ability of RRT algorithms to plan paths in other environments.The proposed planner is shown to be adaptable to a variety of environments and can accomplish path planning in a short time.     

一种自适应加权快速探索随机树算法

针对快速探索随机树算法在局部极小区域做大量失败探索的问题,提出一种自适应加权快速探索随机树算法。分析影响快速探索随机树生长的关键因素,提出在树探索的动态过程中应充分利用探索过程的反馈信息,为树节点赋予自适应权重。根据树节点的自适应权重大小,选择树的生长点。仿真结果表明,该方法能有效地提高树探索效率,缩短规划路径长度。     

基于UVM实现随机测试的先进方法

随机设计越来越复杂,受约束的随机化测试方法已成为验证的发展趋势。本文以数据流交叉模块的验证为例,介绍如何基于UVM验证方法学构建受约束的随机化测试平台,其主要内容包括：UVM验证平台的建立、受约束的随机的实现、功能覆盖率的实现、自动检查结构等方面。     

一种改进的软件自适应随机测试策略

针对自适应随机测试(ART)存在的高维和距离度量问题,提出一种改进的软件自适应随机测试策略。分析ART的局限性,扩展ART的前提假设,基于测试用例特征相似性度量选择最佳的测试用例。实验结果表明,与传统随机测试策略相比,改进策略能更多地触发软件失效,测试效果更优。     

CART:组合自适应随机测试方法

自适应随机测试方法将测试用例均匀分布于整个输入空间,以提高测试效率.然而,当被测软件的输入参数存在错误相关性,使失效区域形状成为“片状”时,传统的自适应随机测试方法效率将急剧下降.针对“片状”失效区域的特点,本文提出了一种新的自适应随机测试方法:组合自适应随机测试方法.该方法将输入参数划分为多个不同的组;每一组被视作一个独立的输入空间并通过自适应随机测试方法生成“准”测试用例序列;最终的测试用例将由各组“准”测试用例组合而成.实验表明,组合自适应随机测试方法能大幅度提高测试用例发现错误的效率.     

并发软件适应性随机测试方法

测试用例选择是软件测试中的关键问题之一.目前,测试用例选择在并发软件测试方面鲜有涉及.以多线程并发程序为研究对象,提出面向并发软件的适应性随机测试方法,通过优化测试用例选择,来提高并发软件测试的效率和错误发现能力.根据实验结果,我们提出的并发软件适应性随机测试方法比随机测试方法的测试效率更高,错误发现能力也更强.     

3n镜像适应性随机测试算法

针对适应性随机测试中的边缘效应问题,借鉴镜像适应性随机测试(MART)的基本思想,在引入镜像距离的基础上,提出3n MART算法,通过改变候选用例与成功用例之间的距离判断策略,使其产生的用例在输入域中更均匀地分布。仿真实验结果证明,该算法可以较好地解决边缘效应问题,相比基于距离的适应性随机测试算法与MART算法,失效发现效率更高。     

Adaptive Random Testing: The ART of test case diversity

Random testing is not only a useful testing technique in itself, but also plays a core role in many other testing methods. Hence, any significant improvement to random testing has an impact throughout the software testing community. Recently, Adaptive Random Testing (ART) was proposed as an effective alternative to random testing. This paper presents a synthesis of the most important research results related to ART. In the course of our research and through further reflection, we have realised how the techniques and concepts of ART can be applied in a much broader context, which we present here. We believe such ideas can be applied in a variety of areas of software testing, and even beyond software testing. Amongst these ideas, we particularly note the fundamental role of diversity in test case selection strategies. We hope this paper serves to provoke further discussions and investigations of these ideas.     

自适应RRT无人机航路规划算法研究与仿真

在复杂环境的航路规划问题研究中,为了降低无人机的飞行代价,需要在规划耗时和路径质量两方面达到一个较好的均衡.为此,提出动态步长和自适应权重相结合的RRT算法,有效地解决了规划耗时和路径质量的均衡问题,并用三次多项式BSpline对路径进行平滑处理.仿真结果表明,在相同的任务环境中,与交叉PSO相比较,动态步长的自适应RRT算法失败次数减少了4252次,耗时降低了89ms,飞行距离减少了4.247 km,且平滑后的路径更加符合无人机实际飞行的需要.     

一种软件可靠性的随机测试模型研究

本文提出一种基于随机测试模型的软件可靠性测试方法、评判准则和测试策略,并利用蒙特卡罗方法进行了分析。通过实例证明了该模型在软件测试中的实用性和有效性,使用该模型可以提高软件测试的准确性和正确率、缩短软件测试的周期。