基于GPU的LLE算法加速及性能优化

为提高非线性数据降维算法效能,分析这类算法的特点,综合考虑KNN计算和解决Sparse特征值两个问题,提出将LLE算法中的KNN搜索算法及大型稀疏矩阵解特征值这两个部分并行在GPU的运算平台上,通过这种方法来加快所有基于LLE发展而来的数据降维技术的执行时间.仿真计算结果表明,在KNN方面整体加速可达40至50倍,在解大型稀疏矩阵特征值的部分加速至10倍左右.整体来说,数据降维算法加速10倍左右,有效运用GPU提高了LLE这类算法的性能.     

基于SPSS统计分析的文本特征值提取算法

在文本特征值的信息隐藏过程中,特征值是一个句子固有的属性,具有随机性.通过分析特征值之间的相关关系,找出其分布变化规律,才能控制其变化,以实现更好的信息隐藏.针对文本信息,首先在VC平台下设计出自动的特征值提取算法,然后利用SPSS统计软件统计分析了文本的特征值.实验结果表明该算法的统计分析给出了有效的特征值数据.     

鲁棒比例与部分状态导数反馈控制系统设计

基于广义线性系统比例与部分状态导数反馈参数化特征结构配置结果和矩阵对广义特征值灵敏度结果, 得到了关于开环系统矩阵中摄动元素的闭环特征值灵敏度的参数表达式, 并在此基础上提出了广义线性系统比例与部分状态导数反馈最小灵敏度特征值配置的有效算法. 该算法不含有"返回"过程, 允许闭环特征值在希望的区域内方便地参与优化. 一个算例说明了算法的简单性和有效性.     

基于多重启发式规则的英文特征值提取算法研究

提出一种基于多重启发式规则的英文特征值提取算法。该算法从概率论和英语语义两个层面引入了词频启发式规则、集中度启发式规则、同义启发式规则、同源启发式规则等特征值提取手段，阐述各种启发规则下的数据处理方法以及特征值提取算法具体流程，并将所提出的基于多重启发式规则的英文特征值提取算法与基于词频的常规算法进行对比，取得了较为理想的特征值提取效果。     

进化策略算法在矩阵特征值求解中的应用

工程实践中多种振动问题的求解常常归纳为求矩阵特征值问题,另外一些稳定性分析问题及相关分析问题也可以转化为求矩阵特征值问题.为了有效求解此类问题,提出了一种新的求解矩阵特征值的进化策略算法,该算法可用于求解任意矩阵的特征值.实验结果表明,这种基于进化策略算法求解矩阵特征值的方法,与传统方法相比,表现出求解精度高,收敛速度快等优点.     

关于正矩阵最大特征值的一种算法

给出了估计正矩阵最大特征值的一种算法,对于非亏损的正矩阵,则给出了计算其最大特征值的一种平滑算法,该算法已编成M文件在Matlab 7.0上运行通过,验证了该算法是稳定有效的.     

矩阵特征值估计的粒子群优化算法

利用Gersehgorin圆盘定理与矩阵特征值的性质,将特征值的求解问题转化为最优化问题.借助粒子群优化算法与二分法思想,精确地估计了实(复)方矩阵的全体特征值,并与Matlab软件中基于QR算法设计的特征值求解函数eig的计算结果作对比,绝对误差达到10-7数量级以上.同时,也解决了特征值分离度的估计问题.     

基于RLS的改进型盲多用户检测算法

针对传统的关于可变约束MOE盲多用户检测算法需直接进行特征值分解计算和不能实现二次约束限制的缺点,提出了一种基于RLS的改进型MOE盲多用户检测算法.该算法避免了矩阵求逆和大量的特征值分解运算,计算复杂度大大降低.仿真结果表明,该算法的误码率性能和收敛性均优于直接利用特征值分解的传统算法,且程序运行时间大大缩小.     

中国民族乐器的特征值提取和分类

文章处理的是中国民族乐器的识别分类问题.提出了一种基于合适的音频特征值选择方法,该方法在基于MPEG_7标准的声学特征,在特征值的时间特性上进行改造,并加入改进后的特征值.从提取的音频特征值数据集选择K-最近邻算法.特别是对没有加入新特征值和加入新特征值后生成分类器模型的性能进行了比较.实验结果证明新特征值的加入提高了分类器的F1度量值.     

基于扩展FEAST的大规模特征值求解问题研究

为了求解非线性特征值问题,在线性FEAST特征值算法的基础上,提出一种非线性FEAST扩展算法.通过将复平面分割为不相交的区域集合,计算每个区域的特征对.扩展算法使用与线性FEAST算法相同的一系列运算,通过修改围道积分来支持非线性特征值求解的固定移位集合和固定子空间维数.与线性FEAST算法相似,扩展算法可以通过并行求解额外的线性系统,改进数值围道积分或提升近似特征向量子空间的维数,从而提高非线性FEAST的收敛速度.通过三个计算模型问题验证了非线性FEAST算法的多项式特征值行为.     

基于WiFi的电子标签定位算法

设计了一套以WiFi技术和RFID定位技术为基础的定位系统,简单介绍无线WiFi网络的优势及系统的硬件部分。在算法方面详细描述了LANDMARC算法和三边定位算法,对两种算法的优缺点进行分析,并结合两种算法提出一种新的算法。并在某公司楼道中进行实验,结果表明该定位算法取得了在2m范围内的准确定位。     

基于几何思想的快速支持向量机算法

为了快速地进行分类,根据几何思想来训练支持向量机,提出了一种快速而简单的支持向量机训练算法——几何快速算法。由于支持向量机的最优分类面只由支持向量决定,因此只要找出两类样本中所有支持向量,那么最优分类面就可以完全确定。该新的算法根据两类样本的几何分布,先从两类样本的最近点开始;然后通过不断地寻找违反KKT条件的样本点来找出支持向量;最后确定最优分类面。为了验证新算法的有效性,分别利用两个公共数据库,对新算法与SMO算法及DIRECTSVM算法进行了实验对比,实验结果显示,新算法的分类精度虽与其他两个方法相当,但新算法的运算速度明显比其他两个算法快。     

IP电话回声消除LMS改进算法的研究

针对传统LMS算法运算量大收敛性能差的缺点,提出了一种减小运算量并且提高收敛性能的LMS自适应滤波算法.首先从理论上介绍并分析了两种自适应滤波算法--量化误差算法(运算量小)和变步长算法(收敛速度快),接着将这两种算法的优点有机结合,提出了一种改进算法.通过在MATLAB下的辨识仿真研究和对误差曲线的分析,证明了结合后的改进算法在运算量和收敛速度方面都优于传统LMS算法.算法对于IP电话中回声消除的自适应滤波问题提供了一个较好的算法.     

Three new fuzzy neural networks learning algorithms based on clustering, training error and genetic algorithm

Three new learning algorithms for Takagi-Sugeno-Kang fuzzy system based on training error and genetic algorithm are proposed. The first two algorithms are consisted of two phases. In the first phase, the initial structure of neuro-fuzzy network is created by estimating the optimum points of training data in input-output space using KNN (for the first algorithm) and Mean-Shift methods (for the second algorithm) and keeps adding new neurons based on an error-based algorithm. Then in the second phase, redundant neurons are recognized and removed using a genetic algorithm. The third algorithm then builds the network in one phase using a modified version of error algorithm used in the first two methods. The KNN method is shown to be invariant to parameter K in KNN algorithm and in two simulated examples outperforms other neuro-fuzzy approaches in both performance and network compactness.     

模型集和IMM自适应的目标跟踪算法

本文在仿真试验和理论分析基础上，首先给出了一种自适应IMM算法。再根据变结构IMM思想，把该算法与具体的运动模型相结合，提出了模型集和IMM算法都是自适应的机动目标跟踪方法。该方法在模式空间连续的情况下，模型集合逐步收敛到给定的范围内。文中给出了两种方法的具体实现步骤，并对文[6]中的AGIMM方法作了修正。仿真试验中把两种方法分别与传统的IMM算法和文[6]的方法进行了比较，结果表明在目标机动情况下，两种方法在性能上均有不同程度的提高，从而证明了本文所提算法的有效性。     

传感器网络中节点个数约束查询处理算法

对传感器网络中一类新查询--节点个数约束查询,提出能量有效的查询处理算法.算法主要由查询下发和结果回收两部分构成.查询下发算法首先根据节点个数约束查询的特点提出相关节点选择以及基于Steiner树的查询下发算法.然后对该下发算法以及一种基于洪泛的能量有效查询下发算法的能量消耗进行分析,并对比两种算法的能量消耗从中选择适当的下发算法.结果回收算法提出直接和间接两种结果回收方式,并给出两种方式在进行结果回收时能够节省能量的条件.仿真实验表明,提出的能量有效节点个数约束查询处理算法能够在满足用户查询精度的同时,使其能量消耗低于其他查询处理算法.     

d维量子同态加密算法的设计与仿真

现有量子同态加密算法局限于二维或三维的希尔伯特空间,突破这种低维度的限制,基于任意两个[d]维酉算子的可交换性提出了两个[d]维量子同态加密算法。一种是单粒子上的[d]维量子同态加密算法,另一种是多粒子上的[d]维量子同态加密算法。每个算法包括密钥生成子算法、加密子算法、评估子算法和解密子算法,证明了两个量子同态加密算法的正确性并举例予验证算法的可行性。由于评估算法不依赖于客户端的密钥,并且输出态具有完全混合态性质,保证两个算法的安全性。仿真结果显示解密子算法的输出与评估子算法对明文的直接计算结果完全一致,验证了两个算法的同态特性。     

Adaptive deadlock- and livelock-free routing in the hypercubenetwork

This paper consists of two parts. In the first one, two new algorithms for wormhole routing on the hypercube network are presented. These techniques are adaptive and are ensured to be deadlock- and livelock-free. These properties are guaranteed by using a small number of resources in the routing node. The first algorithm is adaptive and nonminimal and will be referred to as Nonminimal. In this technique, some moderate derouting is allowed in order to alleviate the potential congestion arising from highly structured communication patterns. The second algorithm, dubbed Subcubes, is adaptive and minimal, and is based on partitioning the hypercube into subcubes of smaller dimension; This technique requires only two virtual channels per physical link of the node. In the second part of the paper, a wide variety of techniques for wormhole routing in the hypercube are evaluated from an algorithmic point of view. Five partially adaptive algorithms are considered: the Hanging algorithm, the Zenith algorithm, the Hanging-Order algorithm, the Nonminimal algorithm; and the Subcubes algorithm. One oblivious algorithm, the Dimension-Order, or E-Cube routing algorithm, is also used. Finally, a Fully Adaptive Minimal algorithm is tried. A simple node model was designed and adapted to all the algorithms     

Montgomery算法分析与应用改进

Montgomery算法作为一种快速模乘算法,常被应用于RSA、ElGamal等公钥密码算法的基本运算。文章对Montgomery算法进行了深入的剖析和系统的理论推导,实际分析比较了有代表性的两种实现方案并提出了一些应用改进。     

Three-parameter sequential minimal optimization for support vector machines

The well-known sequential minimal optimization (SMO) algorithm is the most commonly used algorithm for numerical solutions of the support vector learning problems. At each iteration in the traditional SMO algorithm, also called 2PSMO algorithm in this paper, it jointly optimizes only two chosen parameters. The two parameters are selected either heuristically or randomly, whilst the optimization with respect to the two chosen parameters is performed analytically. The 2PSMO algorithm is naturally generalized to the three-parameter sequential minimal optimization (3PSMO) algorithm in this paper. At each iteration of this new algorithm, it jointly optimizes three chosen parameters. As in 2PSMO algorithm, the three parameters are selected either heuristically or randomly, whilst the optimization with respect to the three chosen parameters is performed analytically. Consequently, the main difference between these two algorithms is that the optimization is performed at each iteration of the 2PSMO algorithm on a line segment, whilst that of the 3PSMO algorithm on a two-dimensional region consisting of infinitely many line segments. This implies that the maximum can be attained more efficiently by 3PSMO algorithm. Main updating formulae of both algorithms for each support vector learning problem are presented. To assess the efficiency of the 3PSMO algorithm compared with the 2PSMO algorithm, 14 benchmark datasets, 7 for classification and 7 for regression, will be tested and numerical performances are compared. Simulation results demonstrate that the 3PSMO outperforms the 2PSMO algorithm significantly in both executing time and computation complexity.