一个基于分治法的快速多精度乘法

多精度运算中,乘法的设计与实现非常复杂,传统的多精度乘法的时间复杂度为O(n2),基于分治法介绍了一种改进的快速乘法,通过理论分析,改进算法的时间复杂度为O(nlog23).     

多输出情况下重要性测度新指标及其高效求解

输入随机变量的重要性测度分析是结构安全评估和工程优化设计的重要组成部分。针对工程结构系统中普遍存在的多维输出情况,提出一种使用无量纲模型的基于方差的重要性测度新指标,可以方便地综合衡量输入随机变量的变异性对多输出结构系统变异性影响的重要程度,而且能够有效地保留各输出提供的重要性测度信息。同时,针对Monte Carlo数字模拟方法巨大的计算代价问题,采用一种乘法降维的功能函数替代模型来求解指标。该方法可在保证求解精度的同时极大地降低了模型调用次数,节约了计算成本。最后,通过数值算例和工程算例说明所提指标的合理性以及求解模型的高效性。     

改进的离散灰色模型在中长期负荷预测中的应用

将离散灰色模型（DGM）引入到负荷预测中来解决负荷增长速度过快时预测精度变差的问题．通过研究灰色预测中存在的初值敏感性问题以及原始数据的预处理问题,对离散灰色预测模型进行改进．通过典型的实例研究离散灰色模型及其改进模型在中长期负荷预测中的应用．结果表明,离散灰色模型在中长期负荷预测中是适用的,且它的改进模型在实际预测中具有更高的预测精度．     

曲线数据压缩的总体最小二乘算法

在曲线数据压缩的Ramer-Douglas-Peucker (RDP)算法中,只有那些垂距大于限差的点得以保留,而原始曲线上所有其他点则会被删除,这就使得压缩后的数据在保留点和删除点处精度不一致．通过采用总体最小二乘法对原始数据进行分段拟合,提高了压缩数据的精度．实验结果表明,与RDP算法相比,该算法可以更好地逼近原始数据,特别是当给定限差较大时,相对RDP算法的精度改善更为明显．     

Holt-Winters与ARIMA模型在电离层总电子含量预报中的比较

利用IGS中心发布的15天TEC数据作为样本,采用Holt-Winters加法、Holt-Winters乘法和ARIMA模型分别进行5天的TEC值预报。分析了太阳活动、纬度、预报时长对3种模型预报精度的影响。实验结果表明,3种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期的预报精度要优于活动活跃期。在平静期,3种模型在高纬度地区的预报效果大致相同;在中、低纬度地区加法模型的预报效果要优于另外两种模型。在活跃期,3种模型在高纬度地区的预报效果大致相同;中纬度地区乘法模型和ARIMA模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于ARIMA模型。加法模型精确预报时长可以达到5天左右,而乘法模型和ARIMA模型只能达到3天左右。     

Ｈｏｌｔ-Ｗｉｎｔｅｒｓ与 ＡＲＩＭＡ模型在电离层总电子含量预报中的比较

利用 ＩＧＳ中心发布的 １５天 ＴＥＣ数据作为样本,采用 Ｈｏｌｔ Ｗｉｎｔｅｒｓ加法、Ｈｏｌｔ- Ｗｉｎｔｅｒｓ乘法和 ＡＲＩ- ＭＡ模型分别进行 ５天的 ＴＥＣ值预报。分析了太阳活动、纬度、预报时长对 ３种模型预报精度的影响。实 验结果表明,３种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期 的预报精度要优于活动活跃期。在平静期,３种模型在高纬度地区的预报效果大致相同;在中、低纬度地 区加法模型的预报效果要优于另外两种模型。在活跃期,３种模型在高纬度地区的预报效果大致相同;中 纬度地区乘法模型和 ＡＲＩＭＡ模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于 ＡＲＩＭＡ模型。加法模型精确预报时长可以达到 ５天左右,而乘法模型和 ＡＲＩＭＡ模型只能达到３天左右。     

改进的Elman神经网络在短期电力负荷预测中的应用

为了提高Elman神经网络进行短期负荷预测时的精度,解决预测过程中易陷入局部最优解等问题,采用非线性阻尼最小二乘法对学习算法进行优化,并对激励函数进行改进,建立双隐含层Elman神经网络模型。Matlab仿真结果表明,改进后的模型对短期电力负荷进行预测的精度高于传统BP神经网络模型,达到了短期负荷预测所要求的误差范围,说明该方法和模型是可行有效的。     

一种改进的象素级圆的单点生成算法

提出一种改进的象素级单点生成圆的算法．该算法是在Bresenham算法的基础上通过一些技巧对其改进，使其避免了乘法运算和浮点数运算，这样一来算法在总的计算量上就大大的减少了．通过与Bresenham算法的比较，该算法的运算速度比Bre—senham算法有着更大的提高．     

基于属性特征敏感问题双重应答模型设计

针对属性特征敏感性问题。设计了一种方便易行的改进模型一双重应答．被调查对象重复抽取随机装置的卡片，并回答每次所得结果的总和．讨论了其敏感属性比例的均值和方差的估计值，在抽取样本数相同的情形下，获得了比传统wanler模型和Simmons模型更高的精度．     

评分预测问题中个性化推荐模型的研究

评分预测问题的主要任务是通过分析用户的历史评分数据集,预测给定用户对新物品的评 分,是推荐系统中最热门的问题之一．评分数据表征了用户对物品的明确观点,具有很高的挖掘价 值．在对平均值预测模型、基于用户的邻域模型（ＵｓｅｒＣＦ）以及基于奇异值分解的模型（ＳＶＤ）等进 行了全面分析和研究的基础上,对各个模型进行了不同程度的改进,最后使用ＭｏｉｖｅＬｅｎｓ的公开 数据集将传统模型和改进后的模型进行对比测试．测试结果表明：改进后的新模型相比传统的推荐 模型在推荐结果的精度上有了不同程度的提高．     

基于熵判据自组织模糊神经网络的混沌时间序列预测

在自组织模糊神经网络(SOFNN)算法的基础上提出了一种基于熵判据的改进算法。依据动态自适应方式建立模糊神经网络,采用误差均方根判据和误差熵判据相结合的修剪策略,对网络进行剪裁,去掉对网络输出贡献小的节点。算法的主要优点在于:能够自动地决定神经模型的结构并得出模型的参数,而不需要对神经网络和模糊系统有深入的理论知识,算法具有非常高的预测精度,并且通过修剪策略提高网络的泛化能力。应用该算法对典型的混沌时间序列Mackey-Glass序列进行了研究,结果表明,应用新的修剪策略后,算法精度及泛化能力进一步提高,并且需要的先验知识少,更适合于实际应用。     

一种小生境遗传算法研究

改进的小生境技术遗传算法因其较好地保持了种群多样性,显示出更优的性能,但它存在操作复杂、比简单遗传算法更费时的缺陷,针对此问题提出一种基于群体间共享的小生境遗传算法.该算法在多模函数的优化中能够保持种群多样性的稳定性,获取合适的子种群规模,从而以更快的收敛速度获得更优的解.研究结果表明,该算法不但可以有效地克服标准遗传...     

一种改进的CV水平集图像分割方法

由Chan Vese提出的水平集图像分割模型可以不依赖于图像的边缘信息而对弱边缘以及含有内部轮廓的图像具有良好的分割效果.但对于背景图像灰度包含两个及以上等级分层时,图像分割得不到准确的结果.提出一种新的基于C V模型的改进算法,该算法引入了快速C V方法的思想,融入全局梯度信息以及目标的先验知识.实验结果表明,该方法能够很好地分辨出背景图像复杂灰度包含多个等级分层的目标区域轮廓且具有良好的适应性.     

基于位置的身份验证

使用地理位置作为身份识别的唯一特征,提出一种新的基于位置的身份验证的方案。新方案改进了以往方案在测量时间响应时要求过于精确这一弊端,针对BSM模型的存储能力有限、对于同时接收到的信息可以计算但不能存储这一特点进行设计,所以它对时间响应并无特殊要求。新方案使基于位置的身份验证的方法更加多元化,防攻击的手段更加丰富,并在此基础上设计了一种基于位置的密钥交换协议。     

基于最小安全间距的应急交通疏散车辆跟驰模型

本研究通过对突发事件情况下驾驶员心理与行为特性问卷调查,得到驾驶员在非常态交通环境下的行为差异和经验判断比率分布,对Gipps跟驰模型进行了改进,提出了基于最小安全跟车间距的应急疏散车辆跟驰模型.与正常交通条件下建立的跟驰模型相比,将驾驶员对突发事件的心理行为反应纳入建模过程,能更准确地反映应急疏散的交通流特征和疏散交通实际情况.     

带Besov忠诚项的图像去噪变分模型

对基于Besov空间的图像去噪模型,利用Besov空间B12,2与Sobolev空间H1的等价关系,引入用Besov模刻画梯度变化的忠诚项,从而得到一类新的图像去噪变分模型.给出了相应的基于小波的数值算法,不需要处理非线性偏微分方程,是一种高效的快速算法.数值实验表明新模型能够获得很好的去噪效果,同时还能够保持图像的边缘和细节.     

改进贝叶斯算法在未知恶意软件识别中的研究

为改进朴素贝叶斯(naive Bayes,NB)算法在识别未知恶意代码过程中学习速度慢的缺点,在分析研究朴素贝叶斯算法、复合贝叶斯(mu lti-naive Bayes,MNB)算法的基础上,提出了一种改进贝叶斯(half-increm entnaive Bayes,HNB)算法.算法采用特征集增量学习方式,在保证分类精度不降低的前提下,学习速度提高约30%.实际样本测试表明,分类精度达到了96%,其中对已知恶意代码的分类精度达到99%.     

一种新的数据协调模型及显著误差检测

针对传统数据协调模型会将某些测量值中存在的显著误差分散到各个协调值中去的缺陷，提出了通过添加一个基于测量值比例关系上下限的约束条件，并利用罚函数的概念将物料平衡或能量平衡的约束条件以软约束的形式表示，建立了一种新的数据协调模型．改进后的数据协调模型只会对含有显著误差的测量值给予较大的协调量，而使得显著误差对其他测量值协调结果的影响较小．因此，该数据协调模型避免了传统模型的缺陷，具有较高的鲁棒性．基于该数据协调模型的协调结果，可直接利用测量残差检测法进行显著误差检测，具有较高的错误检出率，且“虚警”的错误率较低．     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

卫星下行链路对抗中最佳干扰区域空间模型研究

在卫星下行链路空基对抗中,确定最佳干扰区域对保证干扰能量有效进入被干扰地面接收终端具有重要意义。文章将现有最佳干扰区域空间模型从地球同步轨道扩展到任意运行轨道,以球面坐标系建立了精确的干扰空间模型,重新定义了最佳干扰区域几何,求解了最佳干扰区域相关参数,得到了精确性更高和适用性更强的结果。