平行耦合带状线带通滤波器的分析方法

传输线理论分析法由于未考虑到滤波器中不连续性结构所带来的传输损耗,往往其分析结果不够准确。针对这一问题,提出了一种新的平行耦合带状线带通滤波器的分析方法。在已获得的带状线不连续性等效电路模型基础上,运用传输线基本理论推导出了附加开路线的平行耦合带状线传输矩阵计算公式,将平行耦合带状线带通滤波器等效成单根带状传输线子网、阶梯跳变子网以及附加开路线的平行耦合带状线子网的级联,通过上述多个级联子网的传输矩阵相乘得到该滤波器的散射参数。实例验证结果表明,该方法计算结果与IE3D软件仿真结果吻合较好,且该滤波器散射参数的平均误差小于2%。     

基于多特征融合的显著性目标检测算法

显著性目标检测是获取图像中视觉显著目标的任务,它是计算机视觉及相关研究领域的重要内容。当前在复杂的自然场景下基于深度学习的算法依然存在特征学习不足和检测错误率较高的问题,因此提出一种新颖的基于多特征融合的显著性目标检测算法。以HDHF(hybrid deep and handcrafted feature)模型的预测显著图作为特征,融合全局像素的深度特征。此外,利用显著性提名获取候选目标的位置,并在各候选目标中添加中心先验。在全卷积神经网络中,利用前向传播算法最终预测得到像素级的显著性目标。在四个包含多个显著性目标和复杂背景的图像数据集上进行验证,实验结果表明,该算法有效地提高了复杂场景下显著性目标的检测精度,尤其是在背景复杂的图像上具有较优的检测效果。     

认知负荷理论指导下的并行计算实验教学探究

在认知负荷理论的指导下,从教学内容、教学材料、教学方法等方面进行探讨,阐述如何通过降低学生学习中的内在认知负荷和外在认知负荷,提高关联认知负荷,以激发学生的学习兴趣,进而掌握并行计算的基本方法,具备思维能力,为提高并行计算课程的教学质量提供新路径。     

基于犹豫模糊语言多属性群决策的VIKOR扩展方法

针对犹豫模糊语言多属性群决策问题,提出了一种基于可能度分布的VIKOR方法。该方法首先将基于犹豫模糊语言的评价信息转化成可能度分布值,定义了新的距离公式,避免了传统犹豫模糊语言评价信息在计算过程中造成的信息扭曲。然后,设计了基于最大群体效用与最小个体遗憾两个目标的群体信息集结优化模型,并给出多属性群决策的VIKOR扩展方法。运用一个交通建设方案选择的案例分析验证了方法的有效性和优越性。     

消除噪声干扰的动态测量方法研究

由于测量噪声和补偿器的频率特性,使得传感器的动态补偿器存在严重的噪声干扰,影响到补偿器的参数辨识和补偿后的测量精度.研究了一种消除噪声干扰的动态测量方法,先通过小波变换估计噪声的方差,再由估计得到的方差,通过偏差消除的递推最小二乘法,对补偿器的参数进行无偏辨识;同时,采用多项式实时滤波器,消除高频噪声对测量精度的影响.最后,通过实验验证了该方法的有效性.     

一种新的小波阈值去噪方法研究

本文研究用组合小波对含噪信号的去噪问题,对均方根误差、信噪比、平滑度等信号指标进行多指标融合作为去噪效果的评价参数,根据评价参数确定最佳小波分解尺度、小波去噪最佳小波基和最佳阈值。新的去噪方法与传统的去噪方法相比,克服了硬阈值不连续的缺点,还克服了软阈值中估计小波系数与分解小波系数之间的恒定偏差的缺点。MATLAB仿真结果表明,新的阈值函数的去噪效果在各指标上都优于传统的阈值去噪方法。     

利用Hash技术统计C源程序中关键字出现的频度的方法

介绍了利用Hash技术统计C源程序中关键字出现的频度的思路和方法。详细阐述了每个模块的具体设计方法,并给出使用C++语言描述的完整的程序。     

企业信用评估指标体系及信用评估模型研究

针对企业的信用评估,基于已有研究,引入企业财务指标和非财务指标,使用机器学习分类方法构建信用评估模型,并对几种方法的分类准确率进行了比较分析. 实验结果表明,该信用评估指标体系可行,随机森林方法在该指标体系上的分类效果最好. 同时,优化了分类效果较差的多层感知器,提升了分类准确率.     

多标记分类和标记相关性的联合学习

提出了多标记分类和标记相关性的联合学习(JMLLC),在JMLLC中,构建了基于类别标记变量的有向条件依赖网络,这样不仅使得标记分类器之间可以联合学习,从而增强各个标记分类器的学习效果,而且标记分类器和标记相关性可以联合学习,从而使得学习得到的标记相关性更为准确.通过采用两种不同的损失函数:logistic回归和最小二乘,分别提出了JMLLC-LR(JMLLC with logistic regression)和JMLLC-LS(JMLLC with least squares),并都拓展到再生核希尔伯特空间中.最后采用交替求解的方法求解JMLLC-LR和JMLLC-LS.在20个基准数据集上基于5种不同的评价准则的实验结果表明,JMLLC优于已提出的多标记学习算法.     

并行挖掘频繁项目集新算法——MREclat

针对Eclat算法在挖掘海量数据中的频繁项目集时存在的内存和计算资源不足等问题,提出了基于Map/Reduce计算模型的并行挖掘算法——MREclat。首先,将水平型数据库转换成垂直型数据库;然后,将转换后的数据按2-项集的前缀分发到各个计算节点上,且在分发数据时引入了均衡策略;接着,在各个计算节点上求出以某一前缀开头的所有频繁项目集;最后,合并各个节点的结果得到所有频繁项目集。介绍了MREclat的设计思想,研究了算法的运行性能。实验结果表明,MREclat算法效率大约是PEclat算法的2倍,加速比性能比PEclat算法提高了64%。