滑动邻域克里金插值法的改进

在分析了原滑动邻域克里金插值法存在的不足之后,提出了在插值过程 中利用多元逐步回归方法确定待插点邻域化变量的漂移次数,利用三角网格剖分后的节点数据结构,快速搜索局部邻域内的已知点,变异函数参数的求取采用受限最大假然法的改进方法,应用实例的效果表明,改进的滑动邻域克里金插值法优于原方法。     

基于非对称变邻域粗糙集模型的属性约简

在分析邻域粗糙集模型弊端的基础上,提出了非对称变邻域粗糙集模型,并以全局属性重要度为启发条件,构造了基于非对称变邻域粗糙集模型的属性约简的启发式算法.利用6个UCI标准数据集与现有算法进行了比较分析,结果表明,该模型不仅可以选择较少的属性个数,而且还能保持较高的分类能力.     

无线传感器网络中基于滑动邻域的插值算法

由于节点部署不均匀,传感器网络存在覆盖漏洞即监测盲区,监测盲区影响被监测区域环境数据收集的精确性,给无线传感器网络各种应用带来了巨大困难.以往解决这一问题的主要手段之一是从覆盖率出发,部署新节点缩小监测盲区.但随着传感器网络的规模增大,这种依赖部署新节点达到全面覆盖监测环境的方法很难实现.另一种方法则是通过盲区邻域节点对盲区插值预测,评价盲区的数据.为此,提出一种新的滑动邻域插值盲区评价算法,该算法基于三角剖分技术,迭代筛选出与预测点空间相关性强的传感节点集,然后利用节点采样值对预测点进行估算,以获取插值点误差最小的估计值.实验结果表明,所提出的滑动邻域插值算法能有效估计监测盲区预测点的数据与缺失数据,具有可靠、稳定的估计性能,并可支持网内任意点的实时估计.     

基于变邻域下降的列车运行时刻调整算法

高速铁路区间失效可能严重影响列车正常运行,区间失效后调度员需要及时调整列车运行时刻.本文主要针对区间失效后不改变列车顺序下的时刻调整问题进行研究,建立了以所有列车在各站晚点时间之和为目标的列车运行调整模型,模型中各约束条件保证列车安全运行.针对目前常见的获取最优解或次优解需花费较长时间的问题,提出一种基于变邻域下降算法的多阶段变邻域下降算法.算法的第一、第二阶段使用变邻域下降算法结合禁忌表快速确定哪些列车经过调整后的时刻能与图定时刻相等,第三阶段则调整未恢复到图定时刻的列车.最后,以西成客运专线与某日的列车时刻数据为算例,求解多种区间失效场景下的列车运行时刻调整方案验证算法的有效性与实时性.     

基于变邻域模拟退火算法的多自动导引车任务分配优化

针对多自动导引车（AGV）仓储系统任务分配问题,提出了变邻域模拟退火（VN_SA）算法。首先,根据系统作业流程及AGV运行特征,以AGV执行任务的路径代价、时间代价以及任务均衡值代价为目标,并在约束中加入AGV空载行驶和负载行驶的耗电情况,构建更贴合实际的多AGV仓储系统任务分配多目标优化模型;其次,针对问题特点,设计了一种变邻域模拟退火算法。算法中的邻域扰动操作拓展了模拟退火算法的搜索范围,且概率突变特性的结合使算法跳出局部最优,并获得全局开发的效果。分别设置任务量为20、50、100的作业进行仿真实验,实验结果表明,所提算法优化后的总代价相较于遗传算法（GA）分别降低了6.4、7.5、13.2个百分点,验证了所提算法在不同任务规模下的有效性。可见所提算法具有更好的收敛性和搜索效率。     

一类具有变时滞不确定分布参数系统的滑动模控制

研究一类不确定变时滞分布参数系统的滑动模控制问题．首先设计一种无记忆功能的变结构控制器;然后分析了在滑动模切换面上滑动模控制系统关于不确定量的不变性特征;最后给出了从任意初始位置出发的轨线到达滑动模态区的时间估计．研究表明,所设计的控制器结构简单．容易实现．     

基于邻域搜索的OPTA指纹细化改进算法

在指纹细化的研究中,基于OPTA的细化算法及其改进算法普遍存在指纹图像不够光滑,毛刺较多,细化质量不高等现象。为解决上述问题,在OPTA改进算法基础上提出一个新的设计方案。首先重新设计了删除模板和构造模板,然后将该模板设计成一种独特的一维数组查表索引模式,通过计算比较点的邻域值,在表中查找并进行比对判决,即根据邻域的情况来判断一个点是否可以删除。仿真结果表明,用新方法处理后的指纹图像细化完全,骨架接近纹线中心线,光滑无毛刺,且查询速度快,是一种较为成功的细化改进方案。     

变邻域搜索算法综述

变邻域搜索算法(Variable Neighborhood Search,VNS)作为一种新的元启发式算法,已初步成功地用于解决优化问题,尤其是对于大规模组合优化问题效果良好。对VNS的扩展研究层出不穷,并将其成功地应用到旅行商问题、车辆路径问题、调度、图着色等问题中。简述了经典的元启发式算法,并依次论述了优化问题,VNS算法起源,VNS算法原理,VNS算法分析,扩展的VNS分析,VNS在初始解构造、邻域结构构造、局部搜索和停止准则几个方面的改进方法,针对不同版本的VNS归纳了其在各种优化问题应用情况。基于对改进的VNS的分类,从算法自身研究角度和实际应用角度提出了未来研究方向。     

求解UCARPP问题的变邻域搜索算法

针对无向网络中带有收益值有容限的弧路径问题,提出一种变邻域搜索算法。生成需求边的有序列,以相同概率初始化每条边的方向,采用分割算法构造初始解,运用6种邻域结构进行广域搜索,使用局部搜索算法改进解,利用旋轮法选择邻域结构。实验结果表明,该算法能提高效率,避免早期陷入局部最优,稳定性较好。     

自适应变邻域混沌搜索微粒群算法

针对局部地形复杂、振荡强烈的函数优化精度难以提高的问题,提出一种自动调整邻域搜索范围和方向的自适应变邻域混沌搜索微粒群算法（AVNC－PSO）。优化初期首先由基本PSO算法进行粗调,当种群收敛于局部最优时,选择飞行停滞且聚集程度高的粒子向不同方向的邻域内进行混沌搜索,搜索方向和粒子偏移量根据粒子与收敛中心的距离和混沌变量的值共同确定。数值仿真表明,该算法能够使局部搜索更精确,有效改善基本PSO算法优化精度不高的弱点。     

移动对象预测聚集范围查询方法

为了更好地实现预测范围聚集查询,提出了aTPRA-tree。TPR-tree随着时间的推移,性能不断恶化。aTPRA-tree是基于TPR-tree,它考虑了移动对象的方向角度进行构造,减小了结点面积和结点重叠面积,并且在索引结点中增加了聚集信息。实验结果表明,在更新和预测范围聚集查询性能方面,aTPRA-tree性能优于TPR-tree。     

基于邻域参数动态变化的局部线性嵌入人脸识别

为了增强局部线性嵌入(LLE)算法对人脸识别中特征的分类性能,将最小生成树算法思想引入,提出一种邻域参数动态变化的新的局部线性嵌入算法.该算法采用单链聚类算法以及对其进一步优化自动确定数据点邻域,改善了一般局部线性嵌入算法固定邻域的不足,及其处理现实中大量非均匀源数据集失效问题的缺点.将改进后的算法结合支持向量机(SVM)分类器进行人脸识别,在ORL和YALE人脸数据库的平均识别率得到较高提升.仿真实验结果验证了该算法的有效性.     

基于邻域粗糙集下知识划分的信息表降维

Pawlak粗糙集的知识约简包括对决策表的知识约简和对信息表的知识约简。作为Pawlak粗糙集的扩展,邻域粗糙集在针对决策表的属性约简方面应用广泛,而针对信息表的属性约简方面应用鲜少。为了设计一种适用于信息表的属性约简算法,根据Pawlak粗糙集的信息表知识约简标准,首先提出一种邻域粗糙集的信息表知识约简标准,然后根据这种标准,结合贪心思想,进一步提出了一种适用于聚类任务的信息表属性约简算法。与主成分分析(principal component analysis,PCA)算法相比,实验结果表明用该算法对数据集降维后,得到的属性约简集合的属性个数较多,K-means算法根据属性集合进行聚类的精度较高。实验结果证明该算法能有效地应用于信息表的属性约简方面。     

基于ICA的运动目标检测方法

提出了一种将独立分量分析与马尔科夫随机场相结合进行运动目标检测的新方法.首先利用独立分量分析根据图像统计信息对运动图像序列进行处理,初步分离了运动目标图像.然后利用马尔科夫随机场表征图像数据空间信息的能力,对初步分离的运动目标图像进行迭代处理,有效地提高了在运动目标较大或背景噪声较大的情况下运动目标的分离效果.对实际运动图像序列进行处理的实验,取得了较好的检测结果.     

基于区域纹理的运动目标检测方法*

针对混合高斯和多模态均值模型在阴影、噪声、扰动、计算量和存储空间等方面的优缺点,提出一种基于区域纹理的目标检测方法。该方法分析场景纹理分布,制定区域复杂度分类准则,对复杂区域采用混合高斯,对简单区域采用基于运动历史的多模态均值进行目标检测。实验表明,该方法能在多模态环境中克服噪声与扰动,实时转换前／背景,优化速度和存储量,准确检测出目标。     

基于PLAZA的移动对象轨迹实时化简方法

为了设计更为简洁高效的实时轨迹化简算法,在PLAZA算法的基础上,给出适合移动对象轨迹化简的分区角度概念,并利用移动对象的瞬时速度等实时位置信息,在距离和方向两个层面上对误差进行控制。通过融合区域过滤的思想,构造限制插值点误差范围的安全区域,设计出了针对移动对象实时位置信息进行化简的新算法NPLAZA。实验结果证明,算法 NPLAZA误差小,轨迹化简高效、稳定。     

基于混合高斯模型的运动目标检测方法

研究了序列图像中的运动目标检测问题。传统的目标检测方法无法克服背景图像变化、场景光线突变、目标物阴影干扰等问题。采用混合高斯分布对背景进行建模,引入亮度信息进行前序处理,并在此基础上使用颜色模型对残留阴影进行移除,因此能够快速准确地检测出运动目标。通过相关仿真实验,证明了该方法具有可靠性和实时性。     

基于前向搜索的快速视差范围估计方法

在立体匹配中,设置合理的视差搜索范围能够提高匹配的速度和精度。为此,提出了一种基于前向搜索的图像迭代细分方法用以估算视差范围的上下限。将参考图像均分为若干个图像块,在对每一块的匹配过程中,采用前向搜索策略,对当前匹配块继续均分成若干子块,并对其子块进行相似度匹配。在计算视差范围上限时,用当前块的子块视差中的最大值来表示其视差值,找到视差最大的图像块后继续迭代细分,直到得到稳定的视差范围上限。在计算视差范围下限时,用当前块的子块视差中的最小值来表示其视差值,找到视差最小的图像块后继续迭代细分,直到得到稳定的视差范围下限。实验结果表明,采用前向搜索策略计算视差范围的方法,在搜索空间降低比率达到28.8%的同时能够达到98%的命中率,相较直接进行匹配误匹配率降低了47.4%,能够得到更精确的视差范围。     

基于视频图像的运动目标阴影去除方法

针对运动目标检测中阴影的存在会导致目标形状扭曲、多个目标之间出现粘连等问题,提出一种基于视频图像的阴影去除方法。该方法在分析阴影产生机理的基础上,根据各像素点YUV空间上的像素模型,计算出带有阴影的目标相对于背景的失真系数,再根据设定的阈值区分出目标的实际轮廓和阴影区域,从而将目标阴影去除。实验结果表明,该方法能够快速检测和去除目标阴影,准确反映出目标的实际轮廓,并能够有效解决目标粘连问题。     

基于自适应邻域的核密度动态目标分割方法

经典的核密度估计背景模型使用固定的背景样本邻域来抑制背景运动形成的伪目标,无法适应不同背景的运动规律,导致不能抑制同一拍摄场景中所有背景运动形成的伪目标。因此在经典核密度估计的背景建模基础上,使用图像配准技术,能实现对不同运动背景区域的邻域尺寸自适应选择,并且在同一拍摄场景中可适应更多的背景运动类型,抑制更多类型的伪目标。实验结果证明,该方法对大部分由背景运动导致的伪目标有很好的抑制作用。