两级定位-路径问题的变邻域人工蜂群算法

建立了两级定位-路径问题的数学模型,提出了一种求解该问题的人工蜂群算法。针对该算法容易出现早熟现象,将近年来国外出现的一种新颖的轨迹式启发式算法--变邻域搜索融入其中,由此提出三种变邻域搜索策略。基于不同变邻域搜索策略的人工蜂群算法和人工鱼群算法的求解效果进行对比仿真。实验结果表明,变邻域人工蜂群算法能有效求解两级定位-路径问题。     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

一种梯度交替迭代设计测量矩阵的方法

在压缩采样中,测量矩阵应该和表达字典有尽可能小的相干性,随机测量矩阵一直被使用是因为其和任何表达字典都有较小的相干性。提出一种基于梯度迭代最小化方法,作为格拉斯曼框架设计的一种变体,通过优化一个初始的随机测量矩阵来得到相干性更小的测量矩阵。仿真结果表明所设计的测量矩阵具有更好的性能。     

高速高机动目标自适应IMM跟踪算法

针对目标运动过程中有转弯机动等复杂运动模式的高速高机动目标,设计了自适应两层IMM跟踪算法。该算法内层由改进的机动目标当前统计模型构成,把目标速度方向角作为伪测量值进行滤波,实时获得目标的角速度和角加速度;外层模型由常速模型和曲线模型构成,把内层模型得到的切向加速度和转弯角速度作为曲线模型参数,利用IMM算法进行滤波。仿真结果表明,该算法对高速高机动目标具有较高的跟踪精度,算法实现简单,具有一定的实际应用价值。     

多频带谱减法用于生态环境声音分类

基于人类听觉特性的Mel频率倒谱系数广泛用于声音识别,然而在生态环境中噪声的出现导致其识别率剧减。提出一种在噪声背景下生态环境声音分类方法。利用非线性多频带谱减法对声音功率谱进行去噪处理并提取改进Mel频率倒谱系数,有效削弱不同频率段噪声功率谱干扰。利用支持向量机良好的鲁棒性和抗噪能力对含有噪声的生态环境声音进行分类。实验表明该方法能有效在噪声背景下对生态环境声音准确分类。     

基于小波包融合与矩阵主成分分析的人脸识别

提出一种改进的小波包融合＋2DPCA方法,先对图像进行二层小波包分解,再选取最利于判别分类的4幅高频子图进行融合,将融合子图与低频子图分别进行2DPCA降维和特征提取,最后进行决策级融合,得到识别结果。在Yale和JAFFE标准人脸库上的实验结果表明,该改进方法能有效提高识别率。     

使用新混合模糊聚类算法的模糊系统建模方法

为了进一步提高模糊系统建立模型的精度,提出一种新的模糊系统算法ANFIS-HC-QPSO：采用一种混合型模糊聚类算法来对模糊系统的输入空间进行划分,每一个聚类通过高斯函数的拟合产生一个隶属度函数,即完成ANFIS系统的前件参数--隶属度函数参数的初始识别,通过具有量子行为的粒子群算法QPSO与最小二乘法优化前件参数,直至达到停机条件,最终得到ANFIS的前件及后件参数,从而得到满意的模糊系统模型。实验表明,AN-FIS-HC-QPSO算法与传统算法相比,能在只需较少模糊规则的前提下就使模糊系统达到更高的精度。     

模糊WINGS视角下的ANP加权矩阵新构造方法

构造因素集加权矩阵是ANP系统未加权超矩阵到加权超矩阵转化的一个关键技术。然而从已有的三种构造方法看,两两比较法比较机理混乱,而等权矩阵假设构造法通常是无效的,并且基于DEMATEL（决策试行与评价实验室）的构造方法不仅存在忽视因素集自身强度的内在不足,而且也难以反映专家在对因素集之间影响关系判断时存在的“不精确性”。为克服上述缺陷,提出一种模糊WINGS（加权影响情景下的非线性测度体系）视角下的ANP因素集加权矩阵新构造方法。该方法一方面给出改进后的模糊DELPHI决策程序,充分考虑了专家判断过程中的“不精确性”。另一方面,系统提出模糊WINGS的方法思路,在系统因素集影响关系判别时充分考虑了因素集的自我影响强度,使因素集直接影响矩阵的构造更为合理。实例对比验证结果表明,该方法是科学合理的,有着较强的实践应用可操作性。     

基于粒子群三次样条优化的图像边缘描述算法

针对手工选点生成的三次样条曲线无法准确地描述图像边缘的问题,以粒子群三次参数样条曲线优化算法为基础对现有的图像边缘算法进行了改进。在图像边缘上取若干点作为样条曲线的型值点,利用粒子群算法对这些型值点进行优化,使得到的样条曲线对图像边缘有很好的贴合。实验表明,该算法不仅能够快速拟合样条曲线,而且优化后的样条曲线形态能较好地贴合图像边缘轮廓。     

基于线性判别边信息结合PHL的三维人脸识别

针对三维人脸识别中受光照、姿态、表情等变化而影响识别性能的问题,提出了一种原型超平面学习算法。利用SVM将弱标记数据集中的每个样本表示为一个原型超平面中层特征,使用学习组合系数从未标记的通用数据集中选择支持向量稀疏集;借助于Fisher准则最大化未标记数据集的判别能力,使用迭代优化算法求解目标函数;利用SILD进行特征提取,余弦相似性度量完成最终的人脸识别。在USCD/Honda、FRGC v2、LFW及自己搜集的人脸数据集上的实验结果表明,该算法优于其他几种三维人脸识别算法。