单一尺寸矩形件下料问题的一种精确算法

针对机械制造业领域的单一尺寸矩形件下料问题,提出一种基于整数规划和约束规划的精确下料算法。首先在板材上刻画W+1条等距的水平基线;然后建立下料问题的整数规划数学模型,求解出最优下料方案所对应的每条基线上排放的水平矩形件和竖直矩形件个数;最后采用约束规划模型求解出每个矩形件在基线上的具体排放坐标,画出最优下料方案图。将这里算法与文献中单一尺寸矩形件下料算法进行比较,数值实验结果表明,这里算法求得的下料方案板材利用率更高。     

基于分解的连续Petri网性质分析方法

讨论了最大速度恒定连续Petri网（CCPN）的分解方法以及如何通过子网分析得到原网的性质。首先给出基于库所归属的分解方法,实现了CCPN的分解。为了保证通过子网分析原网的正确性,对合成网的动态不变性进行了证明,并证明了CCPN子网结构性质与原CCPN网性质的对应关系。最后以实例验证了通过子网分析原网的正确性。     

多输入多输出通信系统的低密度奇偶校验码

受低解码复杂度下空时编码的全分集大编码增益的启发,提出了基于多输入多输出通信系统的低密度奇偶校验码的高效率设计。该设计可以在接收端很好地解决内迭代和外迭代的权衡,以增强解码的性能和灵活性。仿真结果表明,给出的编码在多输入多输出信道上性能良好。     

基于统计特征分类耦合自适应 Gamma校正的图像增强算法

为了避免图像在亮度增强时导致其颜色失真,且在局部易出现过增强等问题,设计了统计特征分类耦合自适应Gamma校正(adaptive Gamma correction,AGC)的图像增强算法,以更好提高图像细节与视觉效果。首先,将输入图像转换为HSV空间,使颜色与亮度分离,使其在增强亮度通道时不改变像素的原始颜色,有效降低颜色失真。然后,考虑不同图像的性质,利用统计信息将图像分类为高、低两种对比度,每种对比度又分为亮、暗两类。其次,基于传统的Gamma校正方法,通过对于不同类型的图像进行动态参数设置,形成一种AGC机制,从而为不同类型图像的构建了不同的增强函数,以完成不同类别图像的增强处理。实验数据表明,与当前流行的增强算法相比,所提算法具备更高的增强效果,呈现出更为自然的亮度与对比度,且保持了更多的颜色信息。     

基于双阈值分割的车道线检测方法

车道线识别技术是车道偏离预警系统(LDWS)的核心,为能有效识别出车道标线,首先采用双阈值分割提取图像中符合车道线特征的白色和黄色信息,然后在感兴趣区域(ROI)中建立动态搜索带以检测车道线像素信息,最后通过Hough变换完成对车道线的识别。实验结果表明该方法能较好地消除干扰,保留需要的像素信息,有效识别出车道线。     

快速跳出局部最优的VPS-GEP算法

传统GEP(Gene Expression Programm ing)算法存在局部收敛方面的缺陷,为了解决这一问题,提出了可以使进化快速跳出局部最优的VPS-GEP(Various Popu lation Strategy GEP)算法,证明了在概率意义上GEP平均每代进化所耗时间与群体规模成正比,用两个标准测试函数和一个标准测试数据集测试了VPS-GEP算法的函数挖掘能力和效率。实验表明,VPS-GEP算法可以减少进化停滞代数55%以上。     

基于危险模式的IDS异常检测模型*

针对当前入侵检测技术在检测新入侵的不足,分析了危险模式理论应用于异常检测的可行性,提出了一个新型的基于危险模式的自适应IDS异常检测系统模型以及相关算法.该系统有效地降低了误报率和漏报率,具有自适应、自学习、自组织和分布性特点.     

基于二进制的关联规则挖掘算法*

将二进制引入关联规则求解中,充分利用二进制操作方便、运算速度快、节省空间的优势.在求解事务项集真子集和支持度时,对事务数据库中相同事务只求解一次,并给出了真子集的具体求解算法.本算法一次扫描数据库可以挖掘出所有频繁集,而且可以根据需求对最小支持度和最小置信度进行修改,修改后不需要再次扫描数据库即可求出频繁项集,大大提高了挖掘效率.     

移动通信网络最优通信节点拓扑定位方法研究

为了提高移动通信网络的覆盖能力,提出一种基于自适应分层路由探测的移动通信网络通信节点拓扑定位方法。采用Sink节点分组协调机制进行通信网络负载均衡控制设计,同时采用最短收发路径寻优方法进行通信节点的自适应组网设计,计算网络链路节点的正确传递概率密度函数,求解其最优值,以此为优化目标进行分层路由探测,实现通信节点拓扑定位。仿真结果表明,采用该方法进行通信节点拓扑定位,提高了移动通信网络的覆盖度,以最少的节点实现最大范围的通信覆盖。     

基于偏相关性测试的递归式因果推断算法

因果推断是挖掘事物间联系的一种重要方式,但在高维数据场景下,利用因果推断算法进行条件独立性（CI）测试存在冗余测试多和测试效率低的问题,这限制了因果推断在高维数据集上的应用。提出一种基于偏相关性测试的递归式因果推断算法。采用“分治”的方法对变量集进行递归式因果分割,得到更易于处理的低维子数据集,提高对数据集的处理效率。在每个子数据集上进行局部因果推断,减少每次因果推断的计算量并提升算法的运行速度。在此基础上,通过比较显著性值的合并策略整合所有子结果并得到完整的因果关系,保证总体因果结构的准确性。在“分治”过程中,采用高效的偏相关性测试避免高复杂度的核密度估算,进一步提升算法效率。基于10个经典数据集的实验结果表明,在准确率与经典推断算法CAPA持平的情况下,该算法的运算速度提升了2~10倍,且在样本量越大的数据集中提升效果越明显,证明递归式因果推断算法可以有效处理高维数据集,在保证准确率的同时提高运算效率。