一种快速的反向k近邻查找算法及其改进

提出一种快速的反向k近邻查找算法,该方法利用现代计算机具有外存便宜、运行速度快的特点,预先计算数据之间的距离,并组织为数据索引块存储于外存,由计算机在空闲时自动进行维护.在进行反向最近邻查询时,只需读入相应的索引块,就可进行直接查询,其时间复杂度为O(N),而且不受k的影响.为减少索引块的读取时间,提出一种改进方法来有效地压缩索引块,仅用必要的二进制位来存储对象之间的距离,并将冗余减少到最低水平,提高了算法的效率.最后通过实验分析评估算法的有效性和效率.     

基于ADASYN与AdaBoostSVM相结合的不平衡分类算法

对于平衡数据集支持向量机(support vector machine,SVM)通常具有很好的分类性能和泛化能力,然而对于不平衡数据集,SVM只能得到次优结果,针对该问题提出了一种基于SVM的AS-Ada Boost SVM分类算法.首先,通过使用ADASYN采样,提高少类样本在边界区域的密度;然后,使用基于径向基核支持向量机(radial basis function kernel mapping support vector machine,RBFSVM)模型弱分类器的Ada Boost SVM算法训练得到决策分类器.通过将该算法在各种不平衡数据集上的测试结果与单纯运用ADASYN技术、Ada Boost SVM、SMOTEBoost等其他分类器进行比较,验证了该算法的有效性和鲁棒性.     

一种结合时空上下文的在线卷积网络跟踪算法

基于卷积神经网络提取抽象特征缺乏时空信息的问题,结合时空上下文模型作为卷积神经网络的各阶滤波器,提出一种在线卷积神经网络的视觉跟踪算法.首先对初始目标进行归一化处理并提取目标置信图,跟踪过程中结合时空信息更新得到时空上下文模型,第1层使用更新后的模型对输入进行卷积,并对卷积结果进行滑动窗口取片,第2层再使用时空模型分别对取片结果进行卷积,提取目标简单抽象特征,然后叠加简单层的卷积结果得到目标的深层次表达,最后结合粒子滤波跟踪框架实现目标跟踪.实验表明:结合时空上下文模型的在线卷积网络结构提取的深度抽象特征,保留相关时空信息,提高复杂背景下的跟踪效率.     

联合加权重构轨迹与直方图熵的异常行为检测

为解决多目标打斗、抢劫等异常行为检测精度不高的问题,提出一种联合加权重构轨迹与直方图熵的异常行为检测算法。首先,采用背景相减法结合宽高比提取行人目标;然后将卡尔曼滤波器及HOG特征融入时空上下文算法中,实现短时间内被完全遮挡行人的鲁棒跟踪;最后对跟踪轨迹进行训练,构造正常行为字典并稀疏重构待检测轨迹,通过联合加权最小重构残差和直方图熵,实现对异常行为的有效检测。通过对比实验,表明该算法对于打斗和抢劫等异常行为具有较好的检测效果,在静态背景且无遮挡的情况下,检测率可达92%以上。     

一种基于多智能体策略的人工免疫网络数据分类方法

在传统的人工免疫网络基础上,将多智能体技术的典型策略融入到免疫网络的进化过程中。算法引入了邻域克隆选择,操作过程从局部到整体,能够更加全面地模拟免疫网络的自然进化模型;同时在免疫网络进化过程中增加了抗体间的竞争和协作操作,提高了网络的动态分析能力。后续实验中,分别采用常用的3组UCI数据和一幅红树林多光谱TM遥感图像对算法加以验证,实验结果表明算法对遥感图像有较高的分类效率,对UCI数据也有较好的分类效果,表明该算法一种有效的数据分类方法。     

适用于视觉媒体检索的视频镜头分割算法*

针对基于内容的视觉媒体检索存在的问题,依据多维空间仿生信息学（multi-dimensional space biomimetic informatics,MDSBI）理论的同源连续性规律（principle of homology continuity,PHC）,在高维空间中通过几何方法分析视频及镜头和图像,通过子空间方法解决不同视觉媒体的异构性问题,得出视觉媒体检索的实质性工作是在高维空间研究点和子空间的距离问题,并实现适用于视觉媒体检索的镜头分割算法。     

基于Delphi平台的高效率实时数据采集技术

在计算机智能控制领域，实时数据采集是一个非常重要的环节。该文以电力系统的数据采集为背景，说明了在Windows 2000环境下通过计算机串口实现数据采集的方法。并且介绍了在Delphi中多媒体定时器的使用，从而大大提高数据采集的速度和精度，达到了智能控制的要求。     

基于视觉仿生的图像目标分类算法

总结了当前图像目标识别算法的现状;从生物医学角度出发,分析了人类对图像信息的获取原理,提出一种基于仿生思维的图像亮度自适应调整算法;从人的视觉系统机制出发,实现一种从各种复杂的图像背景中分辨出同类目标的视觉仿生分类算法。实验结果表明,对于针对各种复杂的、具有多目标的图像,与其它目标分类算法比较,视觉仿生算法的分类效果更好。     

基于带间预测的非负支撑域受限递归逆滤波盲复原算法

针对非负支撑域受限递归逆滤波(NAS-RIF)算法对噪声敏感和耗时长等缺点,提出了一种改进的NAS-RIF盲复原算法。首先,为了改进原始NAS-RIF算法的抗噪性能和复原效果,引入了一种新的NAS-RIF算法代价函数;其次,为了提高算法的运算效率,结合Haar小波变换,仅对低频子频带的图像进行NAS-RIF算法复原,而高频子频带的信息,则通过带间预测分别从低频子频带的复原图像中预测得到;最后,为了保证高频信息的准确性,提出了一种基于最小均方误差(MMSE)的带间预测。分别对模拟退化图像和真实图像进行了仿真实验,采用该算法得到的信噪比增益分别为5.2216 dB和8.1039 dB。实验结果表明:该算法在保持图像边缘细节的前提下,能够较好地抑制噪声;此外,该算法的运算效率也得到了较大的提高。