基于COM技术的C#与Matlab混合编程

提出基于组件对象模型(COM)技术实现Visual C#与Matlab混合编程的2种方法,一种是通过C#使用Matlab提供的自动化服务,另一种是使用Matlab COM Builder将M语言文件编译成COM组件供C#调用。以地理信息系统中常用的空间插值分析为例给出了这2种方法的具体实现。对两者进行比较,提出了各自的适用范围。结果表明使用COM技术实现混合编程能充分发挥Visual C#与Matlab各自的特点,提高程序开发和运行效率。     

基于组件的VC与Fortran混合编程

现有的Visual C (VC)与Fortran混合编程主要基于DLL库和基于文件操作的方式.基于COM的VC与Fortran混合编程未见报道.针对以上问题,提出了一种基于COM组件技术的VC与Fortran混合编程.结果表明,采用该方法实现了VC的可视化界面与Fortran强大数值计算能力的结合,开发的模块具备良好的可复用性和可扩展性.     

基于LabVIEW与MATLAB混合编程实现频谱细化分析

介绍了基于MATL气BScript节点、基于ActiveX的自动化、基于COM技术三种LabVIEW与MATLAB混合编程的方法,并介绍了复调制频谱细化分析的原理和方法。在此基础上,针对频谱细化分析的虚拟仪器实现问题,利用基于COM技术的LabVIEW与MATLAB混合编程方法实现了基于复解析带通滤波的复调制细化谱分析。     

基于COM技术的雷达数据处理软件系统设计

雷达数据处理软件系统是一个复杂的软件系统,应用软件工程方法,采用.NET和VC 6混合编程实现。提出模块化的软件系统设计框架,并应用COM技术无缝集成不同编程语言开发的模块。简要介绍COM原理,给出雷达数据处理软件系统的设计框架,讨论了.NET开放COM接口和VC 6中对COM接口调用的方法,给出了COM技术在软件编码中的应用实例。结果表明,采用基于COM技术的模块化混合编程,是实现雷达数据处理软件系统的一种有效方法。     

基于DLL技术和COM组件技术实现LabVIEW和MATLAB混合编程

LabVIEW和MATLAB混合编程应用日益广泛,然而大多数开发软件在客户端应用时需要同步安装MATLAB,大大限制了软件的推广应用。针对LabVIEW和MATLAB混合编程开发软件发布后独立于MATLAB运行的要求,从LabVIEW和MATLAB共同支持的数据接口技术出发,论述LabVIEW调用MATLAB计算代码的方法,比较每种接口技术的优势和缺点。通过实例实现了基于DLL(动态链接库)技术和COM(基于组件对象模型)组件技术的LabVIEW与MATLAB混合编程。成功实现了应用程序独立运行并明显改善了执行效率。     

基于蚁群算法的SVM模型选择研究

为了提高SVM的分类器性能,提出使用蚁群算法来指导SVM模型参数的选择,并针对采用RBF作为核函数的SVM进行了实验。然后将该方法与基于GA的SVM模型选择方法进行了比较。实验证明采用蚁群算法具有一定的优势,它能在较短的时间内寻找到最优解,且最终得到的分类结果优于遗传算法。     

基于蚁群算法的SVM模型选择研究

为了提高SVM的分类器性能，提出使用蚁群算法来指导SVM模型参数的选择，并针对采用RBF作为核函数的SVM进行了实验。然后将该方法与基于GA的SVM模型选择方法进行了比较。实验证明采用蚁群算法具有一定的优势，它能在较短的时间内寻找到最优解，且最终得到的分类结果优于遗传算法。     

VB与Matlab混合编程的仿真应用

介绍了Visual Basic与Matlab混合编程方法在可靠性与维修性仿真中的应用。此方法突破了以往利用单一语言实现系统可靠性与维修性仿真的限制,更广泛的利用了现有技术成果,降低了编程难度,加快了编程速度。详细介绍了Visual Basic与Matlab混合编程的方法及实现步骤。包括Matlab编译环境的设置、Matlab程序编写、Matlab COM组件的编译与发布以及如何在Visual Basic中使用Matlab COM组件。详细叙述了混合编程每个步骤实现的技术关键,为可靠性与维修性仿真解决了软件实现的技术问题。最后一部分给出了利用Visual Basic与Matlab混合编程方法进行可靠性与维修性仿真的示例。     

C#与Matlab混合编程在BEAM绘制中的应用

针对Matlab界面开发能力差和C#开发复杂数值运算软件效率低等问题,提出利用C#与Matlab混合编程实现EEG数据的有效处理。本文通过对三种混合编程方法的分析对比,选择C#调用COM组件的方式进行混合编程。该方法第一步需要设置Matlab编译环境,然后编写Matlab函数文件,最后利用Matlab.NETBuilder将编写好的函数文件编译成COM组件供C#调用实现混合编程。并通过真实EEG信号的仿真实验研究上述方法在绘制脑地形图(BEAM)中的有效性。结果表明,该方法可以完全脱离Matlab平台,通过参数传递绘制出不同EEG信号的BEAM。     

MATLAB 和VC ++联合编程的COM 研究

VC+ +在实现矩阵运算、数值分析、工程计算等方面比较复杂,应用VC+ + 与MATLAB 混合编程方法可以充分发挥VC+ + 和MATLAB 各自优势,提高仿真和开发效率。着重介绍了利用组件对象模型(COM) 技术的VC+ + 与MATLAB 的联合编程方法,阐述了该方法实现过程,并通过两个具体应用实例加以验证。实验仿真结果表明,采用联合编程的COM 技术能快速直观地得到满意结果,对求解矩阵运算、数值分析、工程计算等问题是行之有效的。     

基于CMA—ES算法的支持向量机模型选择

研究模型选择对支持向量机(SVM)的泛化性能有着重要影响。针对传统梯度算法对初始值敏感及网格搜索法计算复杂的缺点,为了提高全面优化能力和分类精度,提出了一种基于协方差矩阵自适应进化策略(CMA-ES)的支持向量机(SVM)模型优化算法,通过对SVM泛化性能界(Bounds on Generalization Performance)的优化求解,实现了基于CMA-ES算法的SVM模型选择。在标准数据集上的实验结果表明:相比遗传算法和梯度算法,上述方法能够在较小计算代价下得到更优的超参数,提高支持向量机的预测精度稳定性,尤其适合大样本数据条件下的模型选择。     

基于支持向量机的自动人脸识别

首先应用K-L变换对人脸图像进行特征提取,然后利用支持向量机进行识别。由于支持向量机参数对其性能有较大影响,为此采用遗传算法对其参数进行选取。为了能用较少的特征个数得到较高的识别率以提高识别速度,对所需提取的有效特征个数一并进行了选择。算法既解决了支持向量机参数选取的难题,又能够利用较少的人脸特征得到较高的识别率。利用ORL人脸库进行仿真实验。得到了97．5％的正确识别结果,验证了算法的有效性。     

基于遗传算法的结肠癌基因选择与样本分类

提出了一种基于两轮遗传算法的用于结肠癌微阵列数据基因选择与样本分类的新方法。该方法先根据基因的Bhattacharyya距离指标过滤大部分与分类不相关的基因,而后使用结合了遗传算法和CFS（Correlation-based Feature Selection）的GA/CFS方法选择优秀基因子集,并存档记录这些子集。根据存档子集中基因被选择的频率选择进一步搜索的候选子集,最后以结合了遗传算法和SVM的GA/SVM从候选基因子集中选择分类特征子集。把这种GA/CFS-GA/SVM方法应用到结肠癌微阵列数据,实验结果及与文献的比较表明了该方法效果良好。     

改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法

针对支持向量机(SVM)中特征选择和参数优化对分类精度有较大影响,提出了一种改进的基于粒子群优化(PSO)的SVM特征选择和参数联合优化算法(GPSO-SVM),使算法在提高分类精度的同时选取尽可能少的特征数目。为了解决传统粒子群算法在进行优化时易出现陷入局部最优和早熟的问题,该算法在PSO中引入遗传算法(GA)中的交叉变异算子,使粒子在每次迭代更新后进行交叉变异操作来避免这一问题。该算法通过粒子之间的不相关性指数来决定粒子之间的交叉配对,由粒子适应度值的大小决定其变异概率的大小,由此产生新的粒子进入到群体中。这样使得粒子跳出当前搜索到的局部最优位置,提高了群体的多样性,在全局范围内寻找更优值。在不同数据集上进行实验,与基于PSO和GA的特征选择和SVM参数联合优化算法相比,GPSO-SVM的分类精度平均提高了2%~3%,选择的特征数目减少了3%~15%。实验结果表明,所提算法的特征选择和参数优化效果更好。     

基于IGA的支持向量机特征子集选择和参数优化

特征子集选择和训练参数的优化一直是SVM研究中的两个重要方面,选择合适的特征和合理的训练参数可以提高SVM分类器的性能,以往的研究是将两个问题分别进行解决。随着遗传优化等自然计算技术在人工智能领域的应用,开始出现特征选择及参数的同时优化研究。研究采用免疫遗传算法（IGA）对特征选择及SVM 参数的同时优化,提出了一种IGA-SVM 算法。实验表明,该方法可找出合适的特征子集及SVM 参数,并取得较好的分类效果,证明算法的有效性。     

GA和SVM在供应链绩效评价中的应用

研究了基于遗传算法和支持向量机的供应链绩效评价问题。将供应链绩效评价问题用遗传算法进行特征选择并同时对支持向量机参数进行了优化。研究表明该方法能提取出影响供应链绩效的重要属性,减小供应链评价模型的复杂度。应用实例表明基于遗传算法和支持向量机的评价结果从整体上要优于标准支持向量机的评价结果。     

基于支持向量机的恶意软件行为评估系统

为解决恶意软件行为分析系统中分类准确率较低的问题,提出了一种基于支持向量机(SVM)的恶意软件分类方法。首先人工建立了一个以软件行为结果作为特征的危险行为库;然后捕获软件所有行为,并与危险行为库进行匹配,通过样本转换算法将匹配结果变成适合SVM处理的数据,再利用SVM进行分类。在SVM模型、核函数以及参数对(C,g)的选择方面先进行理论分析确定大致范围,再使用网格搜索和遗传算法(GA)相结合的方式进行寻优。为验证所提恶意软件分类方法的有效性,设计了一个基于SVM模型的恶意软件行为评估系统。实验结果表明,该系统的误报率和漏报率分别为5.52%和3.04%,比K近邻(KNN)、朴素贝叶斯(NB)算法更好,与反向传播(BP)神经网络相当,但比BP神经网络的训练和分类效率更高。