DNA计算方法在求解NP完全问题中的应用

DNA计算是应用分子生物技术进行计算的新方法.本文主要介绍了DNA计算的基本思想及解决NP完全问题的DNA模型,讨论了目前DNA计算存在的问题和今后的发展方向.     

DNA计算方法在求解NP完全问题中的应用

DNA计算是应用分子生物技术进行计算的新方法．本文主要介绍了DNA计算的基本思想及解决NP完全问题的DNA模型，讨论了目前DNA计算存在的问题和今后的发展方向．     

DNA芯片组技术及其在解决NP问题中的应用

为了用DNA并行算法解决实际应用中的一个NP问题——图的四着色问题,基于先进的DNA计算理论、DNA芯片技术、数据库技术,提出了DNA芯片组技术的概念;通过解决一个极大平面图(包括外边界的中国地图)的四着色问题,阐述了DNA芯片组技术的具体操作步骤;对生化实验进行计算机模拟并对数据库进行分析与处理,得到了所有的可行着色方案,从而验证了DNA芯片组技术在解决NP问题中的巨大应用能力.     

大规模地形数据生成方法研究

为了解决三维地形数据生成过程中的计算瓶颈问题,提出了一种基于集群和GPGPU技术的高性能计算框架,该框架能够整合多台计算机的处理能力,有效突破单台计算机的计算瓶颈,提高运算吞吐量,大幅度缩短三维地形数据的生成时间.实验表明:该应用程序框架切实可行,能够大幅度提高运算能力.     

装配序列规划的DNA计算及其仿真

为了解决装配序列规划中的NP问题,引入DNA计算的方法进行最优装配序列求解.依据信息论中信息熵的概念,采用信息分解转换法提取装配体信息,提出用装配信息熵评价零件之间的关联,将装配序列规划问题转化为求最小Hamilton回路问题.研究了DNA计算理论,并给出了利用DNA计算求解最优装配序列的步骤.设计了DNA计算的仿真模...     

使用无标签数据的主成分初始化方法

为了解决初始化方法的不确定性以及有标签数据的不足,提出一种使用无标签数据对网络参数进行主成分初始化的方法,包括采样、主成分计算、初始化和重排卷积核4个步骤.首先,通过移动感受野区域对特征图进行采样,得到与特征图的所有感受野对应的图像块并形成采样集合;然后,计算采样集合的主成分;最后,使用主成分初始化网络参数并重排卷积核,以便提高识别性能.在相同的网络结构和数据集上,即STL-10和CIFAR-10数据集,该方法比传统的初始化方法在识别准确率上提高了4%~20%.实验结果表明,该方法能够充分利用无标签数据初始化网络参数以取得显著的识别效果.此外,通过算法的性能评估,证明该方法明显优于传统的初始化方法.

     

脱氧核糖核酸在案例分析中的应用

用脱氧核糖核酸（DNA）作为信息处理的工具，运用图论方法，解决案例分析中较为复杂的逻辑计算问题，展示了DNA分子计算的光明前景。     

遗传算法中动态遗传算子的选择方法及应用

给出了遗传算法的计算过程，对算法中动态遗传算子的选择方法进行了探讨。应用遗传算法解决水电站中观测数据拟合问题的计算实例表明，该方法是有效的。     

计算DNA序列模式特征的匹配算法

分析了DNA序列特征计算过程中的特殊性,提出了一种基于“空间换时间”的模式匹配算法,设计了以map数据结构来存储中间结果的方案,使得扫描DNA序列一次即可同时计算所有元组模式在该序列中出现的次数。实验结果及分析表明,算法提升了DNA序列模式特征计算的效率,较好地解决了计算DNA序列模式特征的问题。     

基于改进增广拉格朗日乘子法的鲁棒性主成分分析

针对增广的拉格朗日乘子法在求解鲁棒性主成分分析,特别是当数据同时受到稀疏噪声和高斯噪声的干扰时,计算精度会降低,数据降维去噪任务不能很好完成的情况,提出改进的增广拉格朗日乘子法来解决上述问题.一是用基于最优乘子初始化的改进增广拉格朗日乘子法来提高算法的计算精度,二是针对鲁棒性主成分分析,提出一个带高斯噪声的凸优化模型.实验结果表明,本文提出的最优乘子初始化改进算法赋予增广的拉格朗日乘子法一个最优的拉格朗日乘子,从而提高算法的计算精度,而凸优化模型能够清晰地将高斯噪声和稀疏噪声从数据矩阵中分离出去,进而提高数据对高斯噪声的鲁棒性.     

基于微流控技术图顶点着色问题的DNA计算模型

为减少DNA计算中的人为操作,实现对生化操作的精确控制,设计了一种基于微流控技术求解图顶点着色问题的微流控DNA计算模型。通过温度来控制微反应器中DNA链库与磁珠探针的杂交与变性,并利用不同电极间的电位差来驱动DNA分子在微通道内移动以实现整个计算过程。分析表明,采用本文模型可以自动化地求解任意一个图顶点着色问题,提高了DNA计算的可靠性。     

飞蛾扑火优化的尺度比例感知空间长期跟踪器

针对无人机长期跟踪过程中尺度变换导致目标丢失和跟踪精度低的问题,提出了一种基于飞蛾扑火优化(moth-flame optimization, MFO)的尺度比例感知空间长期跟踪器。首先,设计了高斯初始化以代替飞蛾扑火优化算法的随机初始化策略,降低优化算法在跟踪过程中的计算复杂度,减少算力浪费;其次,结合快速梯度直方图特征,构建了改进的飞蛾扑火优化跟踪器;然后,为了解决无人机航拍长期跟踪中目标尺度变化的问题,设计了一种自适应尺度变换的判别尺度空间跟踪(discriminative scale space tracking, DSST)算法,进一步提出了一种尺度比例感知空间跟踪器,解决了尺度滤波器中因长宽比固定而导致的跟踪漂移;同时,分析了滤波器响应峰值在各背景下的变化情况,提出了一种能反映环境变化下跟踪置信度的指标,并通过置信度将MFO优化跟踪框架与尺度比例感知空间跟踪器相结合,解决了尺度变化与长期跟踪目标丢失的问题;最后,在无人机长期跟踪数据集上开展了性能验证。结果表明：提出的算法可有效防止漂移现象的发生,提升跟踪效率;与目前跟踪领域中12种同类文献算法进行对比可知,提出的算法精度较高...     

采用数据流图的故障模型生成算法及其应用

为有效地解决系统级故障注入试验建模困难问题,提出语言级生成数据流图,并以此构造动态故障树的故障模型建立方法.通过对故障过程数据流分析,找出数据依赖关系并构造了故障模型生成算法.与其他方法比较,本算法具有动态性,提高了故障覆盖率,减少了系统开销,使故障注入试验更易实现.     

二维卷积非负矩阵分解的初值确定混合算法

为解决二维卷积非负矩阵分解算法存在初值敏感,且传统随机初始化确定的初始值容易使算法收敛到结果相对不好的局部最优值的问题,通过结合K均值聚类、奇异值分解和主成分分析方法,提出了一种适用于二维卷积非负矩阵分解初始值确定的混合算法.首先,利用K均值聚类方法得到聚类中心作为系数矩阵(H矩阵)的初始值,避开了传统初始化不确定系数矩阵带来的分解结果不唯一问题;其次,考虑到相比一维卷积非负矩阵分解算法,二维卷积非负矩阵分解算法的基矩阵(W矩阵)个数更多,利用奇异值分解和主成分分析方法交替产生基矩阵的初始值,克服了单个算法产生的初始化误差问题.在相同参数环境下将本文算法和现有初始化算法的分解收敛性能进行对比实验,结果表明本文算法相比其他同类算法具有更好的分解性能并具有更好的收敛性.进一步加入噪声进行实验,在白噪声为-1 dB～10 dB的不同信噪比环境下,本文算法均能快速实现信号的分离,对于噪声数据具有很强的鲁棒性.采用混合算法确定初值,更有利于实现二维卷积非负矩阵分解的实时性和高性能.     

基于UBM降阶算法的高效说话人识别系统

为了提高基于高斯混合模型-通用背景模型（GMM UBM）说话人识别系统的运算速度,提出了通用背景模型（UBM）降阶算法,该方法采用极大似然估计法训练一个高阶UBM,再采用UBM降阶算法得到低阶UBM.采用最短距离高斯分量替换空映射集合的方法解决了空映射集问题.通过实验方法分析了3种初始化低阶UBM方法的识别结果,发现不同的初始化方法对结果影响很小.在NIST2001 SRE数据库上的实验显示,该算法使基于GMM UBM说话人识别系统的运算速度提高了8倍,而等错误率仅上升了459%,表明了UBM降阶算法在小幅降低系统识别率的情况下,可大幅度提高GMM UBM系统的运行效率.     

Lin-Kernighan算法初始解的启发式构造策略

Lin-Kernighan算法被认为是求解旅行商问题效率最高的启发式算法之一,而初始解构造策略是影响Lin-Kernighan算法路径改进效率重要环节。以往的研究中通常采用某一种启发式策略构造初始解,但目前尚无相关研究对不同启发式构造策略在Lin-Kernighan算法中的性能给出对比。以经典的旅行商问题为对象,分析了8种常用启发式构造策略解的生成情况,得出其中最远插入法,最近插入法,最邻近法和节约算法适用于Lin-Kernighan算法的初始解构造。通过对TSPLIP中6个经典TSP实例仿真,进一步验证了这4种启发式构造策略均可以在保证解具有较高质量的情况下,显著缩小搜索空间和计算时间,提高寻优效率。此外,实验结果表明节约算法由于初始解构造效果较好,较其他启发式构造策略具有更快的收敛速度,而最近插入法在寻优率方面优于其他策略。     

核心集径向基函数极限学习机

径向基函数极限学习机(radial basis function-extreme learning machine, RBF-ELM)中的两个参数都随机地生成,这导致RBF-ELM算法的不稳定性问题。另外,对于不同的数据集,难于确定隐含层结点的个数。针对RBF-ELM的这两个问题,提出了一种改进算法。首先用核心集方法选择重要的样例,然后用选择的样例初始化中心参数,宽度参数采用随机化方法初始化。该算法不仅可以在一定程度上解决RBF-ELM的不稳定性问题,而且可以确定隐含层结点的个数。试验结果表明:该算法优于RBF-ELM。     

基于加权的K-modes聚类初始中心选择算法

针对现有的K-modes聚类初始化方法没有考虑不同的属性具有不同的重要性这一问题,提出一种基于加权密度与加权重叠距离的初始中心选择算法Ini_-Weight。Ini_-Weight算法通过计算每个对象的密度以及对象之间的距离来选择初始中心。在计算对象的密度以及对象的距离时,Ini_-Weight算法根据每个属性的重要性为不同的属性赋予不同的权值。最后,在UCI数据集上将Ini_-Weight与现有的方法进行了比较,结果表明,Ini_-Weight算法可以有效地区分不同的属性,而且提高了初始中心选择的准确性。     

基于F-PointNet的3D点云数据目标检测

针对目前3D点云目标检测模型检测精度不高的问题,研究使用直接处理点云数据的F-PointNet模型检测汽车、行人和骑车人,并对模型进行微调,进一步提升模型的目标检测精度。试验中使用不同的参数初始化、$\ell $₂正则化和修改卷积核数的方法对模型进行测试。试验结果表明, Xavier参数初始化方法收敛速度比截断正态分布方法快0.09 s,同时汽车和骑车人检测精度分别高出大约3%和2%;增加$\ell $₂正则化,行人检测精度和骑车人检测精度可提高大约2%和1%;对T-Net(Transfrmer Networks)第一层卷积层的卷积核数减少为128后,汽车和骑车人检测精度分别提高了大约1%和2%,表明本模型能有效地提升目标检测精度。