在JAVA中用递归解决的问题解析

递归就是循环,只不过要有条件变量作为最终返回。通常需要把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解,递归策略只需少量的程序就可描述出解题过程所需要的多次重复计算,大大地减少了程序的代码量。     

“可以穿戴”到“愿意穿戴” 还有多远

正可穿戴设备目前仍处于"可以穿戴"的阶段,显然实现用户"愿意穿戴"还有很长一段路要走。一年一度的CES(国际电子消费品展)如期在美国拉斯维加斯盛大举行,可穿戴设备无疑是CES 2014上最耀眼的一颗新星。在大会开幕的前几天,可穿戴设备可谓无处不在,大量产品集中发布,大型科技公司几乎无一掉队。     

基于函数划分块及置信度的反汇编优化研究

针对传统静态递归反汇编算法因无法解析间接跳转指令而导致反汇编结果不完整的问题,提出一种基于函数划分块和置信度的递归反汇编算法:以函数为划分块,对代码间隙进行多次递归扫描,获取反汇编过程中可能遗漏的重要基本块;建立置信度评估函数,以置信度为依据,剔除冲突的基本块,筛选出高置信度的基本块,用于补充和优化反汇编结果。实验证明,改进后的递归反汇编算法具有较高的反汇编精度。     

改进FBM的3D复杂场景实时显示方法

分形布朗运动FBM(Fractional Brownian Motion)能真实地表现自然场景,但计算量大,运行费时,在实际的应用中对硬件的要求比较高,难以满足虚拟场景实时生成需求。三角形边界细分法能很好地满足场景实时交互的要求,但在细节描述方面不如FBM。提出一种把两者结合起来生成地形的有效算法,在FBM的基础上对各边法线进行统一方向扰动,通过比较中心点与阈值关系来控制迭代次数,最后采用滤波技术解决运动时产生的闪烁问题。实验证明该算法既能充分表现地形表面的丰富细节,又具有速度快、方便快捷的特点。     

弱稀疏性下的无线传感器网络事件检测算法

为提高弱稀疏性条件下基于压缩感知的无线传感器网络事件检测的可靠性和有效性,提出一种迭代凸优化网络事件检测算法。该方法利用多次凸优化算法共同对弱稀疏性网络事件进行检测,在每次运行凸优化算法后,对已检测出的网络事件进行加权以降低权值,从而有利于其他网络事件在下次凸优化中得到检测。与以往的无线传感器网络事件检测算法相比,迭代凸优化检测算法可在网络事件稀疏性较弱的情况下保证成功检测概率。仿真实验验证了所提算法的正确性。     

一种融合多帧ICP和图优化的算法研究

当前基于迭代最近点拼接的同时定位与建图算法,存在误差积累、无法满足大范围定位精度的缺陷。为此,提出一种融合多帧迭代最近点和图优化的算法。在时域上处理点云拼接问题,将单帧迭代最近点算法推广到多帧进行最近点迭代,提取同一地点在不同时刻的数据特征,形成多个封闭循环,再运用基于最小二乘的图优化方法对点云拼接后的全网数据进行全局优化,消除累计误差,提升整体的定位精度。采用鲁巷和密歇根的数据进行测试,结果表明,该方法在一定程度上减少了匹配误差,平均误差为1.0m,最小误差为0.2m,可以满足大范围同步定位与建图的精度需求。     

大规模最小二乘奇异值分解的并行处理方法

大规模最小二乘问题求解中,直接进行奇异值分解会产生巨大的内存需求以及漫长的计算时间。为解决该问题,提出了一种基于迭代的并行处理方法。该方法利用奇异值分解降维的特性,通过迭代不断减小矩阵规模,直到可以直接使用奇异值分解求解。在迭代过程中,将矩阵分解为许多足够小的子矩阵,并行处理其奇异值分解过程,从而提升运行速度。实验结果表明,该方法即使是串行处理,也使得大规模最小二乘奇异值分解的时间成本及空间成本大大降低;而并行处理在双机条件下加速比接近200％。     

基于RNN-RBM语言模型的语音识别研究

近年来深度学习兴起,其在语言模型领域有着不错的成效,如受限玻尔兹曼机(restricted Boltzmann machine,RBM)语言模型等.不同于N-gram语言模型,这些根植于神经网络的语言模型可以将词序列映射到连续空间来评估下一词出现的概率,以解决数据稀疏的问题.此外,也有学者使用递归神经网络来建构语言模型,期望由递归的方式充分利用所有上文信息来预测下一词,进而有效处理长距离语言约束.根据递归受限玻尔兹曼机神经网络(recurrent neural network-restricted Boltzmann machine,RNN-RBM)的基础来捕捉长距离信息;另外,也探讨了根据语言中语句的特性来动态地调整语言模型.实验结果显示,使用RNN-RBM语言模型对于大词汇连续语音识别的效能有相当程度的提升.     

MapReduce模型下的模糊C均值算法研究

针对模糊C均值算法需要不断迭代来计算样本数据的隶属度值以及聚类中心的特点,利用MapReduce模型解决海量数据下的模糊C均值问题,进而提出高效的模糊C均值算法。在Map阶段和Reduce阶段分别完成隶属度和聚类中心的计算,每次迭代都需要启动一次完整的MapReduce执行过程。通过多次迭代计算出隶属度值以及聚类中心,并更新聚类中心文件,供下一轮作业使用,重复执行这一过程直至得到最终聚类结果。实验结果表明,该算法能够有效减少MapReduce计算过程中的迭代次数,从而提高整体执行效率。     

正态分布属性数据集上的Skyline查询

Skyline查询适用于多目标决策、数据挖掘等领域。以往的研究工作主要关注确定型数据集,少数针对不确定型数据集的研究处理的也多是离散型不确定数据。为此,定义属性呈连续型分布的不确定数据集,并给出一种针对该种数据集的Skyline查询算法,利用索引和分治思想解决其Skyline查询问题。实验结果表明,该算法可以在牺牲少量精度的情况下提高查询效率。