基于明暗恢复形状的目标物体深度信息提取算法设计

明暗恢复形状的方法（shape from shading简称SFS）分为全局最小化法、全局演化法、局部分析法、局部线性化法,但这4种方法都有一定的局限性,故在参考局部分析法的基础上,提出了基于明暗恢复形状的目标物体深度信息提取的简单算法。’     

面向大文本数据集的间接谱聚类

针对谱聚类存在计算瓶颈的问题,提出了一种快速的集成算法,称为间接谱聚类。它首先运用K-Means算法对数据集进行过分聚类,然后把每个过分簇看成一个基本对象,最后在过分簇的级别上利用标准谱聚类来完成总体的聚类。将该思想应用于大文本数据集的聚类问题后,过分簇中心之间的相似性度度量方法可以采用常用的余弦距离法。在20-Newgroups文本数据上的实验结果表明：间接谱聚类算法在聚类准确性上比K-Means算法平均高出14.72%;比规范割谱聚类仅低0.88%,但算法所需的计算时间平均不到规范割谱聚类的1/16,且随着数据集的增大当规范割谱聚类遭遇计算瓶颈时,提出的算法却能快速地给出次优解。     

3DS MAX布光技巧的研究

灯光是3DS MAX中一种特殊的对象,模拟的是光照效果,为了使创建的效果图更贴近现实,就需要在场景中创建灯光对象,并对其颜色、强度等属性进行设置。考虑到渲染速度,创建的灯光宜精不宜多,尽可能使用材质或大气环境模拟光源。     

基于改进海鸥算法结合Elman网络的板形模式识别方法

为了提高板形模式识别精度,提出了一种基于改进海鸥算法结合Elman网络的板形模式识别方法。将改进的海鸥算法对Elman网络权值阈值进行优化,用于板形模式识别,选取20组数据进行测试,并将结果与基于BP神经网络的板形模式识别和基于传统Elman网络的板形模式识别方法进行比较,结果表明本文算法精度更高、效果更好,均方误差MSE相比其他算法低2个数量级。     

融合Fisher判别分析与波动序列的音乐推荐方法

现有的音乐推荐方法多是采用不同的历史偏好相关性度量方法直接为用户生成推荐音乐列表,而不考虑用户历史喜好音乐行为所体现出的用户兴趣的波动性,影响了推荐音乐的准确率。针对这个问题,提出了一种融合Fisher线性判别分析与波动序列的音乐行为偏好获取方法。首先获取音乐的社会化标签与音频特征,采用Fisher线性判别分析对两类样本数据进行特征融合,通过投影变换并引入Fisher判别准则,获取具有最大类间离散度,最小类内离散度的音乐特征分类方向。然后结合用户的历史喜好音乐获取音乐类型基点、类型波动幅度,再以音乐类型基点为中心,以类型波动幅度为半径获取用户的喜好音乐类型,并据此为用户生成推荐音乐列表。在真实数据集LFM上的仿真实验结果表明,所提出方法能够取得更好的P@R值与覆盖率,提升了音乐推荐精度与推荐质量。