带有变异算子的自适应粒子群优化算法

提出了一种新的带有变异算子的自适应粒子群优化算法,该算法使用了一种新的自适应惯性权重,使得算法在迭代的早期快速进人局部搜索,并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱,对群体中的部分粒子采用新构造的变异运算作用,从而摆脱局部搜索的束缚,以实现全局搜索的性能。通过对六个例子的测试,表明这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。     

序信息系统的知识粗糙熵与粗集粗糙熵

在序信息系统中引入了知识粗糙熵和粗集粗糙熵的概念,得到了它们的有关性质,并证明了二者都随着知识确定程度的增强而单调下降的结论,从而给出了序信息系统的信息解释。进一步通过讨论它们之间的联系说明了粗集的粗糙熵可以更精确地度量粗集地粗糙程度。这些结论为序信息系统的知识发现奠定了一定的理论基础。     

基于蚁群信息机制的粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法。通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向。提高了粒子间的多样性差异,从而改善算法能力。改进后的混合粒子群算法的性能优于带线性递减权重的粒子群算法。     

CBR中的检索模型研究

事例检索模型直接影响基于事例推理(Case-BasedReasoning,CBR)的结果。该文提出了一种将多概念学习的决策树算法、多维加权贴近度法与模糊综合评判法相结合的事例检索模型,并根据事例状态的属性设计了几种隶属度函数。分析了此模型的优缺点,指出了今后的改进方向。     

偏微分方程(PDEs)模型在图像处理中的若干应用

介绍了偏微分方程(PDEs)模型在图像处理与分析中的应用,基本思想,发展历史和解决问题的基本框架。主要阐述了变分方法和形变模型(曲线演化)在图像恢复和图像分割中的应用。理论和实验结果表明,应用偏微分方程模型进行图像处理是一种有效的工具。最后,分析了这种方法的优点和面临的挑战。     

基于实例推理系统中的权重分析

指标权重的确定在基于实例推理(CBR)系统的检索模型中起着重要的作用。采用基于多位专家的二级模糊综合评判方法求得各个指标的总的综合权重,对指标权重进行了讨论,并引入关联度的概念,讨论了各专家的偏离度及一致性。实例证明有效、可行。     

并发环境中渐增式追踪重演机制

在基于消息传递的并发程序中,由于进程的调度顺序以及消息延时等特性,使得同样输入的不同执行呈现不同的结果,这种并发程序行为的不确定性直接导致了程序错误的不可再现性,即后续的执行无法再现前次执行的错误。以反复执行程序、重复再现故障为核心的循环调试方法变得不再可用。因此,对于并发程序的调试问题,我们将传统的循环调试方法加以扩充,引入追踪和重演的机制,重放程序的某次执行,以消除并发程序的错误不可再现性。     

仿生平面三角形单元积分声场的波函数构造

波叠加法在求解声源外部辐射声场时,需要对所有离散单元进行数值积分计算导致计算效率较低,而等效源法由于过度简化单元始终存在较大的积分近似误差.针对以上缺陷,利用Helmholtz方程在球坐标系下的解构造了一种与单元积分等效且无需积分的波函数.受仿生复合材料三角形缝合结构启发,以适用范围最广的平面三角形单元为例,构造了波函数的一般形式和内推形式.最后,通过数值仿真对比了两种波函数与直接积分的计算声场的精度和效率.结果表明,两种波函数与直接积分的计算误差低于0.5%,且内推波函数的计算效率约为直接积分的6倍.     

基于负训练和迁移学习的关系抽取方法

远程监督是关系抽取任务中常用的数据自动标注方法，然而该方法会引入大量的噪声数据，从而影响模型的表现效果。为了解决噪声数据的问题，提出一种基于负训练和迁移学习的关系抽取方法。首先通过负训练的方法训练一个噪声数据识别模型；然后根据样本的预测概率值对噪声数据进行过滤和重新标注；最后利用迁移学习的方法解决远程监督存在的域偏移问题，从而进一步提升模型预测的精确率和召回率。以唐卡文化为基础，构建了具有民族特色的关系抽取数据集。实验结果表明，所提方法的F1值达到91.67%，相较于SENT(Sentence level distant relation Extraction via Negative Training)方法，提升了3.95个百分点，并且远高于基于BERT(Bidirectional Encoder RepresentationsfromTransformers)、BiLSTM+ATT(Bi-directionalLongShort-TermMemoryAndAttention)、PCNN(Piecewise Convolutional Neural Network)的关系抽取方法。     

大规模结构网格数据的相关性统计建模轻量化方法

高置信度的数据可视分析对于大规模数值模拟至关重要，但是当前高性能计算机的存储瓶颈导致可视分析应用获取原始高分辨率网格数据越来越困难.基于统计建模的方法能够极大降低高分辨数据存储成本，但是重建数据的不确定性高.为此，提出了一种大规模结构网格数据的相关性统计建模轻量化方法，用于对并行数值模拟生成的大规模多块体数据进行高效分析与可视化.该方法的技术核心是通过数据块间的统计相关性，指导邻接数据块的统计建模，从而有效地保留数据统计特征，且不需要对不同并行计算节点中的数据块进行合并与重新分块.通过耦合数据块的数值分布信息、空间分布信息和相关性信息，该方法可以更精确地重建原始数据，降低可视化的不确定性.实验测试采用了最大10亿网格规模的5组科学数据，定量分析结果显示，在相同数据压缩比下，该方法相比现有方法可将数据重建精度最大提升近2个数量级.