基于Memetic算法的DNA序列数据压缩方法

该文提出一种基于CPMA(Collaborative Particle swarm optimization-based Memetic Algorithm)算法的DNA序列数据压缩方法,CPMA分别采用综合学习粒子群优化(Comprehensive Learning Particle Swarm Optimization,CLPSO)算法和动态调整的混沌搜索算子(Dynamic Adjustive Chaotic Search Operator,DACSO)进行全局搜索和局部搜索。该文采用CPMA寻找全局最优的基于扩展操作的近似重复矢量(Extended Approximate Repeat Vector,EARV)码书,并用此码书压缩DNA序列数据。实验结果表明,CPMA比其它优化算法有很大的改善,对文中采用的大部分测试函数,其解都非常接近全局最优点;对于DNA基准测序序列,与文中所列的经典DNA序列压缩算法相比,基于CPMA算法的压缩性能得到了显著提升。     

基于ATM网络的MPEG 2码流传输技术讨论

介绍了MPEG－2码流的自适应层次编码，在此基础上，提出了层次打包方案，最后阐述了ATM网络中信元抛弃机制。     

用FPGA实现数字有线电视的加解扰

介绍了用FPGA（现场可编程门阵列）器件实现有线电视加解扰功能,分析了两种数字有纡电视加解扰方式的基本原理和实现过程,并对这两种加解扰方式进行了比较。     

利用区域变形和背景更新实现运动对象跟踪

从时域统计的角度出发，提出了一种结合自适应混合背景更新模型的区域变形跟踪算法．该算法以模型更新得到的前景／背景二值分割掩膜作为区域特征，将跟踪问题抽象为一个水平集(Level Set)偏微分方程的数值求解问题，并分析了算法的自适应性．为了进一步提高算法的实现效率，引入了窄带跟踪方案．实验表明，该算法可以对视频序列中的指定运动对象进行快速精确的跟踪。     

基于运动补偿的Snake视频对象跟踪算法

当对象移动幅度大时，Snake视频对象跟踪算法中的曲线迭代过程易陷入局部最小，为此，提出一种运动补偿预处理的解决方法。此方法预先估计对象的运动信息，然后对Snake曲线的初始轮廓位置进行运动补偿，最后进行Snake跟踪。实验表明，这种方法不仅跟踪效果好，而且能有效地减少Snake曲线演化的迭代次数。     

基于无线的高保真数字音频系统的设计

给出了基于无线高保真数字音频系统的设计方法.在无线传输信道环境下,对A/D变换的音频数据作适当的压缩处理后,利用相应技术实现音频系统的高保真.     

基于Markov随机场的区域跟踪算法

由于视频序列的对象跟踪相当于把图像帧分割成跟踪与非跟踪两个不重叠区域，为此，引入图像分割算法中的Markov随机场模型，提出了一种多目标模糊规划求取Markov标记场的最优估计来实现区域跟踪的算法。此算法为了克服传统离散Markov随机场运算速度慢的缺点，利用双随机矢量，建立连续的Markov标记场，同时提取区域视觉和运动信息的模糊特征，从而改善了算法的鲁棒性和运算复杂度。最终实验结果表明，此方法不仅跟踪效果好，而且还有运算速度快、抗干扰能力强等特点。     

视频点播业务的点播方案

对于一部长为D分钟的电影,若想把观众的等待时间减少到D／2^N分种,则只需周期性地分配H（N）个视频信道。这种改进Harmonic点播方案大大地减少了信道带宽。     

食材数据库统计与对比实验性能分析

目的 计算机智能分析用户的饮食是一项有意义的研究课题。传统的分析方法侧重于分析食物类型,可是中国是个美食之国,食物类型在各个区域间表现出极大的多样性,造成很难实现通用的食物自动分类方法。为此尝试针对食物的原材料,即食材进行自动分析收集并建立了一个真实环境下的食材图像数据库（FOOD-SCUT）,此数据库包括目前中国市面上常见的70种食材类别,共8 015幅图片。方法 基于此数据库,本文尝试性地利用不同的传统特征和分类方法,对此食材图像数据库进行自动分类,以此来分析对比各种特征和分类方法的性能。对比性实验中所选用的特征包括：SIFT特征、颜色直方图特征、梯度直方图、SURF特征、LBP特征和Gabor特征等。除颜色直方图外其他特征都会利用词袋模型进行特征编码,而所选用分类方法包括：支持向量机（SVM）、朴素贝叶斯、随机森林、K-最近邻（KNN）算法。另外本文还尝试采用最近流行的深度神经网络方法对数据库进行特征学习和分类。结果 通过实验验证基于各种传统特征分类方法的实验性能,其中各种特征包括单特征和多特征组合两种方式,通过不断调整不同特征组合和分类识别算法及其参数,得到基于传统特征分类方法的最好分类性能。同时通过实验验证深度卷积神经网络模型的实验性能,深度卷积神经网络模型使用直接训练和预训练两种不同训练模式,并调整不同的网络层数和权重初始化方法后获得最好的分类识别性能。本食材数据库基于传统特征分类方法的最好分类准确率为88.98%,而基于深度神经网络分类方法上可以获得最佳的实验性能,即95.7%,这个准确率比基于传统特征分类方法高出6.72%。结论 数据库的统计结果表明此食材图像数据库类内数据具有极大的差异,可以作为分析食材的一个基础数据库。此数据库具有极高的应用价值,可以为后续各种基于食材分析应用提供相关分析数据,并且本文实验分析结果,对于后续用户开发相关的各种相关应用中,提供了模型和参数选择的建议,节省了用户选择模型和调参的实验过程。