基于相对距离和关联度的多任务联盟的蚁群算法

针对蚁群算法在求解多任务联盟问题(multi-task coalition problem,MTCP)时存在的迭代次数多、求解精度不高的问题,提出了一种基于相对距离和关联度的蚁群算法.该算法针对蚁群算法搜索机制和信息素增量模型,提出了2种策略.首先,为提高资源利用效率,减少Agent的能力浪费,引入了相对距离的概念,提出了基于相对距离的搜索机制;其次,为强化蚂蚁间的协作,利用已获得的解信息,给出了一种基于关联度的信息素增量模型.仿真实验结果表明,与已有的一些算法相比,本文算法不仅能获得更好的联盟结构,而且具有较快的收敛速度.     

基于约束的自然语言问题到OWL的语义映射方法研究

OWL已经成为重要的知识表示和交换方式.OWL驱动的问答系统是比搜索引擎更具挑战性的研究.本文致力于解决为自然语言问题获取正确的OWL解释.考虑到问题理解的复杂性,影响因素的多样性,本文提出一种基于约束的语义映射方法.该方法分解问题成为变量,索引OWL知识成为变量域,抽象约束形成函数.并建立了目标函数完成问题变量在候选OWL知识库中获取合理解释的过程.该方法基于网络智能研究院知识库和问题集进行了初步评估.实验结果表明:和传统基于关键字匹配的算法比较,本文提出的方法使可解释问题比例增加了18%左右.     

基于OWL和Horn子句的β-PSML语言框架

提出了将OWL和Horn子句相结合构建β-PSML语言,它既可以表示OWL中不能表示的多元关系,又可以表示Horn子句难以表示的有丰富等级结构的领域模型。提出的β-PSML语言是一种语义Web中新的知识表示方法,利用该β-PSML语言的推理功能可以完成语义Web中的查询。     

基于AVS-M视频编码的3G流媒体文件格式

为了使中国数字视音频编解码技术标准——移动视频部分(AVS-M)的应用更为广泛,将AVS-M编码器生成的文件转换生成第3代合作伙伴计划(3GPP)标准支持的3GP流媒体文件,扩展AVS-M到第3代移动通讯领域．转换生成的3GP文件在本地、流媒体2种环境下的良好播放效果说明,AVS-M编解码器可以很好地应用到无线流媒体网络中．     

基于加权二次误差测度的边折叠简化算法

针对许多边折叠网格简化算法在模型进行大规模简化后,不能很好地保持原始模型的重要几何特征,从而产生较严重的视觉失真现象的问题,提出了2种改进的二次误差测度边折叠方法．定义2种三角形重要度并嵌入到原始Garland的二次误差测度中,使得误差测度不仅能度量距离偏差,而且能反映模型局部表面几何变化．结果表明,新的算法在大规模简化后仍然能保留相当多的重要几何特征,降低了视觉失真．     

一种兼容于MPEG-4的三维人脸动画

为了生成真实感的三维人脸动画,提出了一种新的兼容于MPEG-4的人脸动画方法.采用基于均匀网格重采样和网格简化相结合的方法对齐原型三维人脸,并在三维模型上定位FDP和FAP控制点,建立兼容于MPEG-4的人脸动画模型,根据已知的人脸动画定义表构建适合于该方法提出的三维模型的人脸动画定义表.实验结果表明,该人脸动画方法可根据一幅给定的人脸图像自动重建特定人的三维人脸,并根据FAP参数序列驱动模型,生成真实感较好的人脸动画图像.     

基于卷积神经网络的fMRI数据分类方法*

功能性磁共振成像(fMRI)数据分类方法无法有效提取fMRI数据的局部特征,影响分类准确性.因此文中提出基于卷积神经网络的fMRI数据分类方法.首先设计卷积神经网络结构,并根据卷积神经网络的卷积核尺寸构建受限玻尔兹曼机模型.然后使用fMRI数据感兴趣区域体素构造数据,对受限玻尔兹曼机进行预训练,并将训练得到的权重矩阵进行相对变换,用于初始化卷积神经网络的卷积核参数.最后训练初始化好的整个模型,得到最终的分类模型.在Haxby和LPD数据集上的实验表明,文中方法可以有效提升fMRI数据的分类准确率     

基于动作细节层次的实时人体动画

在人体动画中为了取得更加逼真的视觉效果,本文对动作细节层次法进行了改进和完善,在简化过程中采用最优化的方法,并将简化后与简化前的动作进行了对齐;为了加快绘制速度,引入动作库实现了实时人体动画．实验证明该方法与现有的动作细节层次法以及其他实时人体动画法相比,视觉效果更加逼真,而且绘制速度更快．     

由粗到细的渐进式特征点定位算法

为了解决描述口形轮廓的特征点定位问题,提出了一种特征点定位算法,通过建立口形灰度图像与口形特征点矢量之间的线性映射关系,实现了特征点的初始定位．在此基础上利用局部纹理模型,对特征点位置进行了准确调整．该算法克服了单纯基于局部纹理模型可能陷入搜索过程中局部收敛的缺点．并提出了适合描述唇部特征的局部纹理模型,提高了特征点标定的准确性．     

一种快速的贝叶斯网结构学习算法

贝叶斯网是不确定性问题知识表达和推理中最重要的一个理论模型．迄今为止人们提出了许多贝叶斯网结构学习算法，基于约束满足和评分搜索相结合的混合方法是其中的一个研究热点．以I—B＆B—MDL为基础，提出了一种快速的学习算法．新算法不仅利用约束知识来压缩搜索空间，而且还用它作为启发知识来引导搜索．首先利用0阶和少量的1阶测试有效地限制搜索空间，获得网络候选的连接图，减少了独立性测试及对数据库的扫描次数，然后利用互信息作为启发性知识来引导搜索，增加了B＆B搜索树的截断．在通用数据集上的实验表明：快速算法能够有效地处理大规模数据，且学习速度有较大改进．