动态权值预划分实值Adaboost人脸检测算法

提出了Real-Adaboost的一种改进算法。该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分，并动态更新人脸训练样本的权值。与以往的Real-Adaboost算法比较，该算法大大缩短了训练时间，算法训练时间复杂度降到O(T*M*N)，同时加速了强分类器的收敛性能，减少检测器的弱分类器数量，减少检测时间。  

基于分类器判决可靠度估计的最优线性集成方法

多分类器集成的目标是充分利用每一个分类器的长处，既要发挥它们的最佳性能，又能克服单个分类器的弱点，以达到最优的系统识别性能，该文提出一种基于发类器判决可靠度估计的多分类器集成方法，利用各分类器对当前输入样本的判决兵验概率，实时估计它们的分类判决可靠度，并指导集成权重系数的分配，该方法能够使集成权重更灵活地适应不同的输入变化，充分利用每个分类器当前的识别能力，从而获得更好的集成效果，该文结合最小均方误差准则（MSE）下的最优线性集成方法给出了权重模型和训练算法，并与其它的线性集成模型作了比较，实验表明，不论在最优化准则下的最终误差还是在实际识别性能上，作者提出的方法都取得了最好的效果。  

一种新的二值图像目标轮廓跟踪算法

提出了根据方向记忆和动态权值确定下一边界点的二值图像目标轮廓边界跟踪算法。首先搜索轮廓内边界予以标记,并以该标记作为指导,结合上一边界点位置对搜索方向动态赋予不同权值,综合分析后得到下一轮廓边界点。由于采用内外边界的对照搜索,可以较好地过滤图像二值化引起的边界噪声。对于不封闭曲线,本算法也可通过一次扫描得到其轮廓信息。实验表明,该算法在轮廓边界提取速度和准确度方面都有较以往跟踪算法更好的性能,在搜索智能化和处理复杂轮廓方面也有更好的表现。  

一种基于区域特征动态加权的自适应图像融合方法

提出了一种基于区域特征动态加权的自适应遥感图像融合方法。该方法首先由输入图像得到其高频、低频图像；进而分别选取一组区域特征进行自适应动态加权，得到相应的高频和低频融合结果；最后，基于一致性准则由高低频融合结果得到最终的融合结果，通过对SAR和TM图像的融合实验，验证了该方法在信息量，边界保持及融合结果一致性方面具有显著优势。  

Dijkstra算法在动态权值系统中的应用

Ｄｉｊｋｓｔｒａ算法是地理空间数据分析、处理、查询以及决策等的一种实用算法。讨论了应用系统中权值的特点，当权的值具有不确定性时，即权值是动态变化时Ｄｉｊｋｓｔｒａ算法的具体应用。  

基于有意义区域的颜色检索算法

颜色直方图方法是基于内容的图像检索系统中最常用的一种技术，然而，经典的颜色直方图方法存在诸多缺陷，例如不能表示图像中颜色的空间分布信息。为此, 提出了一种基于有意义区域的颜色检索算法，即首先计算图像的颜色聚合度，据此确定图像分割方法，对聚合度较高的图像利用区域生长方法进行分割，对聚合度较低的图像进行简单的分块，提取各区域的颜色特征并动态加权求和进行检索。该方法不仅保持了经典直方图简单方便的特点，而且有效地将空间信息集成到直方图中。在CBIR原型系统（DMIR）上的实验表明，该算法明显优于经典颜色直方图。  

基于粗糙集与AHP理论的IT项目风险群决策

针对IT项目的风险管理与群决策过程中存在大量不确定、不完全信息等特征,在传统决策方法的基础上,将粗糙集方法与AHP理论相结合,提出了粗集IT项目风险群决策的基本步骤,并借助粗糙集的原理与方法,通过实例分析探讨了IT项目风险群决策中关于知识表达、属性约简、规则挖掘、方案排序等方法,尤其是引入属性动态权重、专家主观权重、客观权重的概念与计算方法,进而对整个决策排序算法进行了改进。  

面粉自动称量控制

详细介绍了面粉自动称量控制装置的设计思想、硬件结构和应用软件,重点阐述了解决计量精度、可靠性问题所采取的措施。控制装置是一个机电一体化的计算机控制系统,采用单片计算机配以必要的测控接口和应用软件,实现对机械下料过程的动态检测和定量控制。现场运行结果表明,面粉自动称量控制装置的各项技术指标已达到或超过了面粉定量包装的出厂标准,具有较为明显的经济效益和广阔的应用前景。  

动态负载均衡算法在校园网格中的应用

校园网格能有效消除信息孤岛,实现我国高校的计算资源和信息资源的有效共享。一个亟待解决的问题是在校园网格环境下,服务器节点响应能力低下。目前已提出多种技术与方案以解决并提高校园网格的服务器节点的响应能力,负载均衡技术就是一种全新的技术。本文根据校园网格的特点和影响负载均衡的因素,对基于校园网格的负载均衡技术进行了分析和探讨,并提出一种动态负载均衡算法。  

基于广义回归网络的动态权重回归型神经网络集成方法研究

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力，已成为机器学习和神经计算领域的一个研究热点。针对回归分析问题提出了一种动态确定结果合成权重的神经网络集成构造方法，在训练出个体神经网络之后，根据各个体网络在输入空间上对训练样本的预测误差，应用广义回归网络来动态地确定各个体网络在特定输入空间上的权重。实验结果表明，与传统的简单平均和加权平均方法相比，本集成方法能取得更好的预测精度。