局部遮挡下的目标识别算法

规格化互相关算法是用得较普遍的目标识别方法,但是当目标区域被局部遮挡时,该方法通常不能正确定位目标.提出了一种新的基于选择互相关系数的目标识别算法用于搜索有局部遮挡的目标区域.算法分两步进行:用增量互相关算法计算出模板图和场景图的增量图像,比较二者增量图像的一致性,计算出选择互相关系数矩阵;结合选择互相关系数矩阵,用规格化互相关算法在场景图中搜索目标区域.当场景图存在较严重的噪声时,可对选择互相关系数矩阵进行修正以克服噪声的影响.实验结果表明,基于选择互相关系数的目标识别算法对局部遮挡和高亮度变化情况有较强的鲁棒性.     

基于光伏电池输出特性的MPPT算法研究

为了寻找更好的实现光伏发电系统最大功率点跟踪控制方法,基于单个光伏电池的物理特性建立了太阳能光伏电池阵列的Matlab仿真模型,分析了太阳能光伏电池阵列所具有的随着光照强度和温度不同而变化的P-U和I-U非线性特性.基于光伏电池的动态特性,在最大功率点跟踪算法的设计中增加一个电流监测回路,并结合自寻优技术对电导增量法进行改进,提出了一种自适应变步长寻优算法.仿真结果表明,该算法能够快速准确的跟踪最大功率点.     

面向草图检索的小样本增量有偏学习算法

为了解决草图检索相关反馈中小样本训练、数据不对称及实时性要求这3个难点问题,提出了一种小样本增量有偏学习算法.该算法将主动式学习、有偏分类和增量学习结合起来,对相关反馈过程中的小样本有偏学习问题进行建模.其中,主动式学习通过不确定性采样,选择最佳的用户标注样本,实现有限训练样本条件下分类器泛化能力的最大化;有偏分类通过构造超球面区别对待正例和反例,准确挖掘用户目标类别;每次反馈循环中新加入的样本则用于分类器的增量学习,在减少分类器训练时间的同时积累样本信息,进一步缓解小样本问题.实验结果表明,该算法可以有效地改善草图检索性能,也适用于图像检索和三维模型检索等应用领域.     

增量更新关联规则挖掘算法研究

随着大型数据库系统在各行业普及,数据库中存储的数据量急剧增大,数据挖掘是从海量数据中挖掘有效或重要信息的过程。关联规则挖掘作为数据挖掘的重要研究课题,被广泛地应用。伴随挖掘数据库的规模不断发生变化,对数据的需求也会有所不同,如何从扩展数据库中高效地对已经推导出的关联规则进行更新具有非常重要的应用价值,这就是所谓的增量式挖掘关联规则的问题。     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

时态索引技术研究及其应用

研究有效时间期间集合上数学关系以及时态索引构造与应用.建立时间期间集合上时态连通等价关系和时态包含拟序关系.在引入数学关系框架内,通过对时间期间特征进行精细分析,讨论了大时态连通等价类分割和时态包含拟序关系集重叠等问题,建立了由根结点、等价类分割集结点和拟序关系集线序分枝结点构成的时态索引树形模型TDIM.在TDIM架构下,基于时态数据库中数据实体动态管理基本特征,研究了具时态变量情况下时态索引动态实现机制和查询技术,同时讨论了时态更新(时态插入、时态删除和时态修改)的增量式算法.由于建立在一般时间集合之上,TDIM可以应用于时态关系和XML的数据管理.     

一种基于阈值变化的增量式更新算法研究

关联规则的挖掘算法已被数据库界广泛研究,这些关联规则挖掘算法在原有的基础上不断被优化、改进,使挖掘的效率不断提高.本文讨论了度变小的情况下典型的增量算法IUA算法以及它已有的一些改进,分析了特点与不足,在此基础上,提出了改进算法QIUA算法,并且从理论和实验两个方面验证了算法的可行性与有效性.     

基于推拉策略的文本分类增量学习研究

学习算法是否具有增量学习能力是衡量其是否适合于解决现实问题的一个重要方面。增量学习使学习算法的时间和空间资源消耗保持在可以管理和控制的水平,已被广泛应用于解决大规模数据集问题。针对文本分类问题,本文提出了增量学习算法的一般性问题。基于推拉策略的基本思想,本文提出了文本分类的增量学习算法ICCDP,并使用该算法对提出的一般性问题进行了分析。实验表明,该算法训练速度快,分类精度高,具有较高的实用价值。     

一种朴素贝叶斯分类增量学习算法

朴素贝叶斯(Nave Bayes,NB)分类方法是一种简单而有效的概率分类方法,但是贝叶斯算法存在训练集数据不完备这个缺陷。传统的贝叶斯分类方法在有新的训练样本加入时,需要重新学习已经学习过的样本,耗费大量时间。为此引入增量学习算法,算法在已有的分类器的基础上,自主选择学习新的文本来修正分类器。本文给出词频加权朴素贝叶斯分类增量学习算法思想及其具体算法,并对算法给予证明。通过算法分析可知,相比无增量学习的贝叶斯分类,本算法额外的空间复杂度与时间复杂度都在可接受范围。     

局部变量的存储赋值研究

DSP芯片通常提供了特定的内存地址生成单元(AGU)和包含地址运算的自增量/自减量的间接寻址模式.通过合理地安排变量在堆栈上的存储位置,尽可能多地使用自增量/自减量寻址方式来来访问局部变量,从而减少地址运算指令的数量,提高程序性能.本文详细地讨论了实现局部变量最优布局的算法,并且给出该算法在gcc上的实现.