视觉约束的增强三角剖分指纹识别算法

针对低质量指纹的真实细节点缺失和伪细节点增加以及典型指纹识别算法对细节点准确性过于依赖的问题,提出了视觉约束的增强三角剖分指纹识别算法。首先根据所提取细节点利用三角形重构获得增强三角剖分集;然后计算三角形特征向量,使用递减验证进行三角形匹配确定匹配细节点对,并使用视觉约束优化;最后根据匹配点对的比例获得相似度从而完成识别。采用国际标准测试库FVC2000DB2、FVC2006DB2和FVC2006DB3进行综合性能比对实验,该算法等错误率（EER）分别为432%、264%和798%,相比改进前的Delaunay 三角剖分降低了128%、171%和283%,相比改进前的扩展三角剖分降低了126%、052%和258%,相比尺度不变特征转换（SIFT）算法分别降低了089%、297%和003%。实验结果表明,所提算法无需校准且对低质量指纹导致的真实细节点缺失和增加的伪细节点有较好的适应能力。     

面向新型处理器的数据密集型计算

近年来,随着数据量的不断增大,数据密集型计算任务变得日益繁重.如何能够快速、高效地实现在大规模数据集上的计算,已成为数据密集型计算的主要研究方向.最近几年,研究人员利用新型的硬件处理器对数据密集型计算进行加速处理,并针对不同新型处理器的特点,设计了不同形式的加速处理算法.主要对新型硬件处理器基于数据密集型计算的研究进行了综述.首先概述了新型硬件处理器的特点;然后,分别对新型处理器FPGA和GPU等硬件进行性能分析,并分析了每种处理器对数据密集型计算的效果;最后提出了进一步的研究方向.     

不一致数据上精确决策树生成算法

近年来,随着现实生活中数据量的不断增大,不一致数据的出现也越发频繁,这使得人工修正不一致数据变得更加耗时.而且,人工修正数据方法本身也存在着不可避免的人为操作错误,因此,这种修正方法不再可行.如何不提前修复不一致数据,直接在不一致数据上进行分类,是该文的核心研究内容.对决策树生成算法的目标函数进行改进,使其能够直接对不一致数据进行分类,并得到较好的分类结果.对约束条件中的特征对分类结果的影响进行了多方面衡量,从而调整该特征的影响因子,使得决策树的节点分割更加精确,分类效果更优.