散乱数据点集曲线重构的最短路逼近算法

给出了散乱数据点集曲线重构的最短路逼近算法．算法根据数据点的分布构造带权连通图，通过求解带权连通图的最短路径，将散乱数据点集的曲线重构问题转化为有序数据点集的曲线重构问题．算法可以对单连通、多连通和封闭的数据点集进行重构．重构曲线较好地保持了数据点集的形状和走向，尤其是带尖点的数据点集的形状特征．最后给出不同拓扑结构的数据点集的重构曲线实例．     

从点集重构曲面网格方法综述

本文主要对三维数据点重构曲面网格模型方法进行了综述。从三维数据点集重构曲面一般遵循以下三个步骤:1)重构曲面网格模型;2)网格简化;3)拟合曲面(通常为Bezier,NURBS),其中重构曲面网格为关键的一步;三维数据点集由三维数字化仪采集得到,不同的数字化设备,得到的三维数据点集可能会有差别,重构曲面网格的算法也不尽相同。本文介绍了几种对于不同数据形式、有代表性的重构曲面网格算法。     

从点集重构曲面网络方法综述

本文主要对三维数据点重构曲面网格模型方法进行了综述。从三维数据点集重构曲面一般遵循以下三个步骤：1）重构曲面网格模型；2）网格简化；3）拟合曲面（通常为Bezier,NURBS),其中重构曲面网格为关键的一点，三维数据点集由三维数字化仪采集得到，不同的数字化设备，得到的三维数据点集可能会有差别，重构曲面网格的算法也不尽相同，本文介绍了几种对于不同数据形式，有代表性的重构曲面网格算法。     

基于EM迭代的曲线提取算法

从工程图纸中追踪曲线并进行数字化是一项极有意义的工程。本文设计了一种基于EM算法思想的曲线追踪提取算法。该算法主要通过两个步骤来实现。首先在E步骤,利用两个先验点预测出下一个目标点。预测的方法采用切线导向搜索法。然后在M步骤,对目标点的坐标进行优化调整,将搜索到的黑游程正中间的点作为最终目标点。文中将该算法应用于工程图纸的曲线数据提取,实验表明,本算法能够实现曲线数据的连续自动提取,并且不受交叉点和其它噪声点的影响,同时优化了搜索过程,极大提高了曲线数据提取的效率。     

基于粗糙集与蚁群优化算法的特征选择方法研究*

已有的基于蚁群优化算法的特征选择方法是从随机点出发,寻找最优的特征组合。讨论和分析了粗糙集理论中的特征核思想,结合蚁群优化算法的全局寻优特点,以特征重要度作为启发式搜索信息,提出从特征核出发基于粗糙集理论与蚁群优化的特征选择算法,简化蚁群完全图搜索的规模。在标准UCI数据集上进行测试,实验验证了新算法对于特征选择的有效性。     

一种新的两阶段抽样算法

两阶段抽样算法从海量数据集中抽取样本数据用于数据挖掘，当数据集规模过大时算法效率偏低，当数据集规模过大且为稀疏数据集时抽样精度偏低。本文改进了传统两阶段抽样算法，提出新的抽样算法EAFAST，可自适应地调节算法参数，而且能充分利用历史信息进行启发式搜索。实验证明，EAFAST算法可同时提高算法效率和抽样精度，弥补了传统算法的不足。     

BK-means:骨架初始解K-means

K-means是典型的启发式聚类算法,容易受到初始解的影响而无法获得高质量的聚类结果。骨架是近年来启发式算法设计的研究热点,它是指所有全局最优解中相同的部分,对于提高启发式算法性能具有重要意义。给出的骨架初始解K-means算法(BK-means)的基本思想是:首先利用K-means算法得到一组局部最优解(聚类结果),通过对局部最优解求交得到骨架簇。利用骨架簇构造骨架初始解及新的搜索空间。最后以骨架初始解引导K-means算法在新的搜索空间中搜索聚类结果。在15组仿真数据集和4组实际数据集上的实验结果表明,BK-means算法具有获得高内聚、高分离的聚类结果能力。     

铸造车间批量调度一体化模型与算法研究

针对集成生产计划、调度中的一类强NP—hard问题,提出了基于状态集分解的分层混合优化算法。通过状态集分解将计划、调度一体化模型转化为一系列的最小网络流模型,上层搜索通过建立可行性必要条件和启发式规则,迅速排除劣解或不可行解,缩小搜索范围。底层搜索主要依靠网络流算法及对偶再优化算法,辅以启发式策略,做小范围的局部精确寻优。数据仿真说明了算法的有效性。     

基于佳点集与Leader方法的改进K-means聚类算法

针对传统K-means算法对初始点敏感的问题,采用数论中的佳点集理论结合Leader方法对K-means聚类算法加以改进,启发式地生成样本初始中心。根据两者不同的结合方式,所提算法分别称为KLG和KGL。佳点集理论能够产生比随机选取点更好的点,Leader方法则能反映数据对象本身的分布特性。结合佳点集理论和Leader方法各自的优点,能获得优化的初始中心。在UCI数据集上的实验表明,KLG算法和KGL算法所得到的结果均好于传统的和其他一些初始化的K-means算法。     

基于Kohonen神经网络的B样条曲面重构

探讨了三维散乱数据点的自由曲面自组织重构方法。建立了基于自组织特征映射神经网络的矩形网格重构模型及其训练算法。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系,节点连接权向量集作为对散乱数据点集的工程近似化并重构曲面样本点的内在拓扑关系。通过该方法不仅能够对无规则散乱数据点进行逼近,并且通过该方法得到的曲面也可以作为后继曲面重构的初始曲面。仿真实验表明,所建神经网络模型可实现三维密集无规则数据点的曲面自组织重构集自压缩于一体。