基于CiteSpace的物联网测距技术研究可视化分析

运用文献计量分析方法和CiteSpace知识图谱可视化分析方法了解国内外对于物联网测距技术的研究现状和热点,进而预测未来研究态势。对CNKI和WOS数据库中2011—2021年国内外四种主流测距技术（RSSI、TOA、TDOA、AOA）的文献数据进行可视化分析,从关键词共现知识图谱、关键词聚类知识图谱、研究机构合作网络知识图谱等方面进行定量统计和分析。结果表明,国内外对测距技术的应用研究主要集中在定位方面;我国注重对RSSI和TOA的研究,国外则偏向于对TOA和TDOA的研究。     

一种新的基于并行分段裁剪的DTW算法

通过对DTW算法的研究,提出了一种并行分段裁剪的新方法,在减少DTW算法运算量方面有显著效果,并将其用于一个地名识别系统中,经测试,可以明显缩短识别时间,具有很强的实时性,有较高的识别率,适合作为小型语音识别产品的主要算法。     

一种新的基于分层查询表的关键词识别模型

关键词识别是近年来语音识别研究的一个热点。提出了一种新的基于分层查询表的关键词识别模型,该模型具有简单、实用、快速的特点。利用该模型实现了路况信息查询系统,取得了较高的识别率,具有一定的实用性。     

多元优化算法及其收敛性分析

提出了一种搜索个体分工明确、协同合作的群智能优化算法,并从理论上证明了其收敛性. 由于搜索个体(搜索元)具有分工不同的多元化特点,所以我们称该算法为多元优化算法(Multivariant optimization algorithm, MOA).多元优化算法中, 全局搜索元和局部搜索元基于数据表高效的记录和分享信息以协同合作对解空间进行搜索. 在一次迭代中,全局搜索元搜索整个解空间以寻找潜在解区域,然后具有不同种群大小的局部搜索元组对潜力不同的历史潜在解区域以及新发现的潜在解区域进行不同粒度的搜索. 搜索元找到的较优解按照一定的规则保存在由队列和堆栈组成的结构体中以实现历史信息的高效记忆和共享. 结构体中保存的候选解在迭代过程中不断更新逐渐接近最优解,最终找到优化问题的多个全局最优解以及局部次优解.基于马尔科夫过程的理论分析表明:多元优化算法以概率1 收敛于全局最优解.为了评估多元优化算法的收敛性,本文利用多元优化算法以及其他五个常用的优化算法对十三个二维及十维标准测试函数进行了寻优测试. 实验结果表明,多元优化算法在收敛成功率和收敛精度方面优于其他参与比较的算法.     

多元优化算法的渐近性分析

本文提出了一种多元化智能个体分工明确、协同合作的超启发式智能优化算法—–多元优化算法.多元优化算法通过交替的全局、局部搜索迭代对解空间搜索以逐渐逼近全局最优解.搜索个体按照分工不同可以分为全局搜索个体(全局元)和局部搜索个体(局部元).全局元负责对整个解空间进行全局搜索以快速找到较优潜在解区域,局部搜索元负责对各个潜在解区域进行局部搜索以提高解的质量.该算法具有两个特点:分工明确的搜索策略不需要考虑均衡全局搜索和局部搜索,能够保证局部搜索能力的同时加强全局搜索以避免陷入局部最优解;全局、局部交替搜索保证了算法对全局最优解的渐近性.本文从理论上证明了算法的渐近性并且基于复杂多模态测试函数比较了几个优秀的进化算法.实验结果表明多元优化算法在渐近性方面优于其他几个比较的算法.