基于角模块布图表示的增量式布图规划算法

提出了一种基于CBL布图表示的新的增量式布图规划算法.该算法能很好地解决包括不可二划分结构在内的布图规划问题.针对现有增量式的一些需求,算法给出了相应的高速解决方案.在已有的初始布局的基础上,基于CBL表示方法建立水平约束和垂直约束图,利用图中关键路径和各模块之间的累加的距离松弛量进行增量式操作.对于新模块的插入,在力求面积最小,线长最短和移动模块数目最少的目标指引下能快速地找到最佳位置作为插入点,高效地完成相关操作,算法的时间复杂性仅为O(n).通过对一组来自工业界的设计实例的测试结果表明,该算法在保证芯片的面积、线长等性能不降低甚至有所改善的情况下,运行速度相当快,仅在μs量级,满足了工业界对增量式布图规划算法在速度上的首要要求,同时保证了基本性能的稳定.     

一种分块的基于Harris角点检测的图像配准方法

传统的Harris角点检测选用全局的阈值并且不具有尺度不变性,对于较大的图像会导致检测的角点分布不均、错检等问题,为此提出一种新的基于多尺度的Harris角点检测的图像配准方法。首先将图像分块,并对其进行相应排序,根据局部阈值来提取Harris角点,然后根据图像特征点的最邻近和次邻近距离之比来确定初始匹配,最后利用特征点附近的灰度信息来实现进一步的配准。实验证明此方法使得图像配准精度和配准效率得到了极大地提高。     

一种改进的MIC的角点提取方法

针对基于多格算法的MIC角点检测方法易混淆边缘点和角点、遗漏角点及角点定位不够精确等缺点,在采用高分辨率的图像后,对低分辨率图像中的候选角点周围的2×2的像素点进行进一步计算,明显地减少了原算法由低分辨率到高分辨率的变化过程中角点的漏检和虚报的概率,同时用梯度的概念进行自适应插值,通过它对角点的候选点作进一步的筛选.测试结果表明提出的方法比改进前的MIC多格算法具有更好的效果.     

基于模糊C-均值的增量式聚类算法

给出了一种新的基于FCM的聚类算法，能根据由数据的分布的特性自动获取要聚类的数日，在新增数据后,可以进行增量式聚类，结果对孤立点不敏感，并能完成FCM不具备的非球型或椭球型分布的数据集的聚类，实验结果显示算法的有效性和优越性。     

基于信息熵差异性度量的数据流增量集成分类算法

对分类器之间的差异性进行了研究,提出了一种基于信息熵差异性度量的增量集成分类算法,将信息熵差异性度量方法融入到基分类器选择过程中,通过对训练数据集的基分类结果的信息熵差异度计算,采用循环迭代优化的选择方法,以熵差异性最优化为约束目标,动态调整基分类器个数,实现了分类准确稳定,减少了系统开销。通过实验比对,证明了算法在数据流处理时比其他算法具有更小的开销和较强的适应性。     

基于整数规划的优化拥挤度的增量式布局算法

提出了一种降低走线拥挤的标准单元增量式布局算法C- ECOP.首先通过一种新型的布线模型来估计芯片上的走线情况,然后构造一个整数线性规划问题来解决可能出现的相邻拥挤区域冲突问题.实验结果表明该算法能够有效地降低走线拥挤,保证初始布局的质量,并且具有很高的效率     

基于整数规划的优化拥挤度的增量式布局算法

提出了一种降低走线拥挤的标准单元增量式布局算法C-ECOP.首先通过一种新型的布线模型来估计芯片上的走线情况,然后构造一个整数线性规划问题来解决可能出现的相邻拥挤区域冲突问题.实验结果表明该算法能够有效地降低走线拥挤,保证初始布局的质量,并且具有很高的效率.     

基于改进Harris算法的图像角点检测

针对Harris角点检测算法运行速度慢且单一阚值选取不当容易造成漏检正确角点或提取出较多伪角点的问题,提出了一种快速预筛选方法以提高检测效率,并结合多阈值角点提取及邻近角点剔除策略来改进算法.实验结果表明:单独使用该预筛选方式的改进算法仅用32.71％的时间就可以检测出原算法94.97％的角点;配合多阈值角点检测方法及临近点剔除策略时,改进算法的运行时间仅为原算法的61.94％,且检测出的角点分布更均匀,既能充分代表图像信息又有效地避免了角点簇拥现象.     

基于块金字塔的快速块匹配算法

在运动图象编码中，块匹配技术有着非常广泛的应用。在众多的匹配算法中，金字塔算法(blocks sum pyramid algorithm，BSPA)由于速度较快、算法比较简单而得到了广泛的应用。在金字塔算法的基础上，本文提出一种新的基于块金字塔的块匹配算法(NBSPA)。算法采用了预测初始中心，行更新等技术，实验结果表明，新的算法有效地降低了运算量。     

基于FPGA的改进Harris角点检测方法

针对目前基于角点特征的视频分析系统前期特征提取速度较慢的问题,提出了一种利用FPGA来实现Harris角点提取的方法,并在充分考虑FPGA处理器结构以及Harris角点提取算法理论的情况下,对算法进行了进一步的改进,最后进行了仿真验证。结果表明,新算法在保证提取的角点完整准确的情况下,进一步提高了系统的实时性,同时大大简化了系统结构,减少了系统硬件开销,非常容易实现,具有较强的实用价值。     

基于增量式更新带权差别集合的属性约简算法

在面向差别矩阵的约简算法思想的基础上,定义一种新的带权差别集合(WDS)模型,并提出了高效更新带权差别集合的算法,分析了该更新算法的时间和空间复杂度.随后,基于快速更新带权差别集合算法,提出一种增量式属性约简方法.当有新的数据对象被加入决策表,可有效提高属性约简的效率.理论分析和实验结果表明该算法适用于大数据集的约简.     

双目视觉中的角点检测算法研究

为了实现双目视觉中的特征提取与立体匹配,在研究现有角点检测算法的基础上,提出一种改进的Harris角点检测算法。该算法首先采用图像分块和邻近角点剔除的策略,实现了阈值的自适应调节,并保证角点分布的均匀和避免角点聚簇的产生。结合Forstner检测算法,将精度提高到亚像素级。编程计算结果验证了该方法的准确性和稳定性。     

基于自适应筛选Harris角点检测的快速图像配准算法

针对传统Harris角点检测算法的图像配准过程计算量大、速度慢等问题,提出一种快速预筛选Harris角点检测算法。首先通过FAST算法快速排除大量非特征点,再通过抑制半径解决FAST角点聚簇现象,然后在FAST角点邻域内筛选出Harris角点,最后采用Brute-Force匹配方式得到精准匹配。实验结果表明:所提改进算法不仅提高了角点检测速度而且减少了冗余角点数量,在图像配准过程中有效提高了配准速度与精度,配准效果良好。     

基于流形正则的块增量距离尺度学习算法

 在实时应用中,观测样本通常以数据块的形式依次达到,传统的批量距离算法难以进行学习.本文提出一种新颖的利用成对约束关系进行学习的块增量距离尺度算法.首先给出块增量学习的一般模型,并通过扩展约束集克服其容易"过拟合"的缺陷;然后引入流形正则项使得学习过程中数据块的局部邻域结构得以保持.实验结果表明,本文算法学习的距离尺度在测试精度、计算开销上优于现有的增量距离算法,并且在存储开销方面显著优于批量距离算法.     

一种基于比特翻转的极化码FSCLF译码算法

针对串行抵消列表翻转(Successive Cancellation List Flip,SCLF)译码算法存在译码性能与复杂度不能同时兼顾的问题,提出了一种快速串行抵消列表翻转(Fast Successive Cancellation List Flip,FSCLF)译码算法.该算法通过加入四种特殊结点的识别来加快译码速率,同时构建了临界集(Critical Set,CS),不再依据先前译码错误而引起的错误传播,而是通过两种特殊结点即信息比特R1结点和单奇偶校验(Single-Parity-Check,SPC)结点分别对对数似然比(Log-Likelihood Ratio,LLR)值进行计算来判决并确定翻转位置,当奇偶校验位不满足时只需翻转与最不可靠输入LLR值相对应的信息比特,这样减少了翻转次数,从而降低了算法复杂度.仿真结果表明:在误块率为10-5时,所提出的FSCLF译码算法比原SCLF译码算法的信噪比改善了0.09 dB,为中短码长情况提供了参考算法.     

一种基于八边形网格的块匹配算法

在原有UMHexagonS算法的基础上提出一种基于八边形网格的块匹配算法.实验数据表明:该算法在保持原有算法图像质量和比特率的条件下,在搜索速度和编码时间上取得了明显改善.     

光通信中基于分组Turbo码的一种改进Chase译码算法

为了适应光通信发展的要求,依据分组Turbo码(BTC)传统Chase译码算法的分析,提出了一种基于不对等可靠位数的改进新译码算法。使用该算法在每次迭代时将产生一个可靠度参数对外部信息进行修正,从而提高BTC的译码性能。仿真结果表明:在误码率(BER)为10-5且迭代4次的情况下,新BTC译码算法与传统Chase译码算法相比,其净编码增益(NCG)提高了0.9dB,并且在最差情况下给系统增加的译码复杂度都不大。     

一个优化小波块量化矩阵的算法

小波变换以其良好的空间－频率局部特性,在图像编码标准JPEG2000和MPEG4中占据了重要位置.本文选用正交小波基对图像做小波变换,然后重新组织小波系数成小波块,最后提出了一个构造小波块量化矩阵以产生最优比特分配的算法.本算法用一种新的方式统计小波系数分布,并结合人体视觉系统的特点,采用动态策略在很大的比特率范围内产生最优的小波块量化矩阵.     

ECOP:一种基于单元行划分的标准单元模式增量布局算法

针对标准单元模式超大规模集成电路增量式布局问题 ,提出了一个全新的增量布局算法 ECOP.该算法一改以往布局算法中以单元为中心的做法 ,变为以单元行为中心 ,围绕单元行来进行单元的插入 ,移动以及各种约束条件的处理 .在划分单元行时 ,始终保持单元行的内部连通性 ,并对单元移动路径进行搜索与优化 .对一组来自美国工业界的设计实例进行了测试 .实验结果表明 ,ECOP算法是非常实用而高效的     

一种基于KKT条件和壳向量的SVM增量学习算法

针对传统支持向量机(SVM)增量算法,在学习过程中因基于局部最优解而可能舍弃含隐性信息的非支持向量样本,以及对于新增样本需全部进行训练的缺点,文中提出一种基于KKT条件和壳向量的SVM增量学习算法。该方法利用壳向量的特性保留了训练样本集中可能含隐性信息的非支持向量,并只将违反KKT条件的增量样本加入新的训练集,从而提高运算效率。通过对公共数据集Abalone和 Balance Scale的实验表明,新算法在属性列数较多的数据集上分类效果更明显。