基于FP-tree的快速挖掘全局最大频繁项集算法

挖掘最大频繁项集的算法多基于局部数据库,为此提出了一种基于频繁模式树的快速挖掘全局最大频繁项集算法.该算法首先挖掘出所有全局频繁项目组成集合,然后各个节点根据该集合构建局部频繁模式树,最后将该集合作为全局最大频繁候选项集,采用自顶向下策略挖掘出所有的全局最大频繁项集.与类Apriori算法相比,该算法采用的频繁模式树结构能大幅度降低数据库扫描次数和运行时间;自顶向下的策略能大幅度减少候选项集数和通信量.实验结果表明,该算法是快速和高效的.     

现代物流系统中的频繁封闭路径挖掘算法

射频识别技术在物流供应链管理方面的推广应用会产生海量的路径数据.为此提出一种基于路径数据的频繁封闭路径挖掘算法.该算法根据路径中不同段的先后次序,将路径数据转化为位置序列和时间序列,再利用序列模式挖掘的方法,对这些序列进行封闭路径挖掘,从而有效地减少了频繁路径挖掘的时间和开销,提高了频繁路径挖掘的速度.理论和实验表明,在海量的路径数据环境下的封闭路径挖掘算法性能优越,能够有效地挖掘频繁封闭路径.     

基于全局图遍历的加权频繁模式挖掘算法

为解决加权遍历模式挖掘问题,提出了一种从边加权有向图到顶点加权有向图的变换模型.基于该模型,提出了基于全局图遍历加权频繁模式挖掘算法.在该算法中,利用图全局拓扑信息评估遍历模式的加权支持度,将剪枝问题转化为模式可扩展性问题,进而利用可扩展模式的向下闭合特性产生候选模式集.实验结果表明,该算法是一个高效的基于图遍历的加权频繁模式挖掘算法.     

在线检测系统中的图像快速拼接技术

针对汽车车架纵梁在线检测系统中序列图像的自动拼接问题,提出了一种稳健、快速、精确的自动拼接算法.利用基于特征的算法提取特征区域,并在待匹配模板中确定候选模块,考察序列图像间的运动特点,将搜索限制在一个小范围内,利用基于像素的方法在此范围内确定候选模块中的真实匹配块.此方法在满足图像拼接精度的前提下,大幅度提高了拼接速度.     

基于免疫算法的装配序列规划问题求解

针对装配序列规划问题提出了一种模拟生物免疫系统的免疫算法,并给出了亲和力计算、抗体生成、免疫选择、记忆细胞更新等的具体实现方法.实例仿真结果表明,免疫算法在装配序列规划问题的求解中充分体现了免疫系统的多样性、免疫自我调节、免疫记忆和分布式并行等特点.免疫算法较遗传算法具有更强的全局搜索能力和更快的收敛速度,有效地改善了全局收敛性能和收敛速度.     

基于方向选择的移动机器人路径规划方法

针对快速行进树算法(FMT*)在逐层递归扩展中产生的冗余探索问题,提出一种基于方向选择的快速行进树算法(DS-FMT*).该算法首先对拟扩展样本的四周产生均匀分布的方向选择线,判断周围的障碍物情况并选择有利于扩展的方向作为候选探索方向.随后将拟扩展到下一样本的实际探索方向与候选探索方向做比对,若实际探索方向与候选探索方...     

混沌野草扩展Kalman滤波器辨识六维力传感器下E膜模型参数

为解决动载环境下噪声污染导致六维力传感器测量精度急剧下降,以及扩展卡尔曼滤波器难以获得最优系统干扰矩阵的问题,提出了一种基于混沌野草算法优化的扩展卡尔曼滤波（CIWO-EKF）算法。根据挠度与应变之间的关系,构建了六维力传感器下E膜非线性模型。基于野草繁殖算法,以前6阶主振型信息构成的系统干扰阵为均值进行高斯采样,产生初始化的可行解。将混沌搜索技术与野草算法相融合,利用野草算法进行全局搜索,通过混沌序列对群体中适应度高于平均值的个体执行给定步数的局部搜索,指导种群向最优解方向逼近,避免搜索过程陷入局部最优。采用改进的野草算法对扩展Kalman滤波中的系统干扰矩阵进行优化处理。仿真实例表明,改进扩展卡尔曼滤波器在提高六维力传感器测量精度的同时,可以保持较好的稳定性和鲁棒性。     

基于Agent的分布式协商策略在供应链动态计划中的应用

在分布式协作环境中，多个商业实体或执行单元，为达成某一共同决策而进行有效地协商，提出一种基于Agent的分布式协商机制和算法。采用智能Agent技术，使各Agent代表各自商业实体或执行单元的利益与其他商业实体Agent为达成某一共同决策进行协商。协商机制中使用了偏好模型的概念，并将Agent的偏好及约束看作私有信息。算法中采用了建议的全局偏好评估和冲突消解。通过实例对提出的分布式协商算法进行了仿真。仿真结果说明，使用全局偏好评估可使协商结果从全局来看更为理想；使用冲突消解明显提高了协商的成功率。最后，分析并扩展了该分布式协商算法的应用范围。     

散乱数据点的快速三角剖分算法

提出了一种改进的波前扩展算法,该算法给出的候选点判断准则,可对数据点的K近邻进行快速过滤,并有效避免了单元自相交;建立的匹配点查找和优化准则,可生成局部优化的三角形网格单元;依据四种不同的查询结果,制定了相应的波前环更新和数据点标记方法.将波前扩展算法应用于具有复杂特征的散乱数据点的三角剖分中,结果表明,该算法可快速生成高质量的三角网格模型.     

基于扩展卡尔曼滤波的回声状态网络在线训练算法

针对在线应用中回声状态网络(echo state network,ESN)的储备池适应性和训练算法效率问题,文中提出一种基于扩展卡尔曼滤波(extended kalman filter,EKF)的ESN在线训练算法。该算法以ESN的储备池参数以及输出连接权矩阵为目标参数,利用EKF对其进行联合训练提高储备池适应性,并能够有效地克服交叉验证参数选择导致的ESN训练效率下降问题。Lorenz混沌时间序列以及移动通信话务量时间序列预测实验证明,新方法可显著提升ESN算法的总体计算效率。     

对数据挖掘中关联规则算法的优化处理

在挖掘关联规则的执行过程中,早期循环生成最大项目集的过程是很重要的.文中提出基于哈希表的算法,对生成侯选项目集的过程进行了优化,尤其是时生成二维侯选项目集更是有效.由于在早期循环中,生成侯选项目集的势较小,使得能更有效地修剪数据库,从而减小了后期循环的计算代价,同时也减小了1/0请求.     

扩频通信系统中混沌序列和 PN 序列的对比分析

本文介绍了在扩频通信系统中应用的两种序列：由线性移位寄存器(LFSR)产生的 PN 序列,如 m序列和 Gold 序列;另一种是由确定的非线性系统产生的混沌序列。通过仿真分析了 PN 序列和混沌序列各自的特性,并由此得出不同的序列在扩频通信系统中的优缺点,从而利用序列的优点来改善扩频通信系统中的信号传输。     

Optimization of a composite laminated structure by network-based genetic algorithm

Genetic algorithm (GA), compared to the gradient-based optimization, has advantages of convergence to a global optimized solution. The genetic algorithm requires so many number of analyses that may cause high computational cost for genetic search. This paper proposes a personal computer network programming based on TCP/IP protocol and client-server model using socket, to improve processing speed of the genetic algorithm for optimization of composite laminated structures. By distributed processing for the generated population, improvement in processing speed has been obtained. Consequently, usage of network-based genetic algorithm with the faster network communication speed will be a very valuable tool for the discrete optimization of large scale and complex structures requiring high computational cost.     

基于遗传算法的SFAM训练样本序列的确定

训练样本集输入序列的确定直接关系到简单自适应谐振匹配网络(SFAM)作为分类器的执行性能,已有确定算法包括随机序列仿真算法、投票决策算法和最大-最小序列算法。基于遗传算法作为一种全局搜索算法的特点,本文提出用遗传算法实现SFAM训练样本集最优输入序列确定的方法,并以加州大学Irvine分校机器学习数据库作为实验样本库,实验结果表明,该算法比投票决策算法和最大-最小序列算法对提升SFAM网络分类器的分类精度和降低训练时间更为有效。     

一种基于混合型结构优化算法——Apriori-Mend算法

关联规则挖掘是数据挖掘领域中最重要的研究问题之一。Apriori是关联规则挖掘的一种经典算法,它使用候选项集产生测试机制来找出所有满足用户最小支持度的项集,但它需要多次扫描数据库,会产生大量的候选项集。针对Apriori算法的不足,提出了一种基于混合型新的优化算法:Apriori-Mend算法。该算法从优化产生2项集、事务压缩等几个方面对Apriori算法进行优化,将散列技术应用于产生1项集和2项集,采用库优化策略和混合型存储结构,以节省空间和运算时间。实验结果表明,Apriori-Mend算法运行速度比Apriori算法有明显的提高。     

Pruning methods to MLP neural networks considering proportional apparent error rate for classification problems with unbalanced data

This article deals with classification problems involving unequal probabilities in each class and discusses metrics to systems that use multilayer perceptrons neural networks (MLP) for the task of classifying new patterns. In addition we propose three new pruning methods that were compared to other seven existing methods in the literature for MLP networks. All pruning algorithms presented in this paper have been modified by the authors to do pruning of neurons, in order to produce fully connected MLP networks but being small in its intermediary layer. Experiments were carried out involving the E. coli unbalanced classification problem and ten pruning methods. The proposed methods had obtained good results, actually, better results than another pruning methods previously defined at the MLP neural network area.     

Algorithms for assigning parallel program branches to computer system processor cores

A problem of optimal assignment of parallel program branches to processor cores of a distributed computer system (CS) in order to minimize its execution times is formulated. The formulation takes into account the hierarchic organization of the distributed CS communication network, the property of multicore processors, and the structure of a parallel program information graph. Stochastic sequential and parallel algorithms for solving the problem are proposed. Results of algorithm modeling by a cluster CS are presented.     

分布式Unscented粒子滤波跟踪

提出了一种新的分布式粒子跟踪算法,该算法主要考虑传感网络能量受限、通信受限等特性,改善了通常的分布式粒子滤波粒子数目大、节点间信息交换多的弊端,能够用较少的节点计算得到对机动目标更好的跟踪结果,实现了改进的分布式粒子滤波(DUPF).DUPF算法的主要思想是利用Unscented Kalman滤波改进分布式粒子滤波算法形成一个建议分布,用来生成粒子分布,在这个基础上,通过分布式粒子滤波实现目标的在线跟踪.仿真实验表明,和分布式粒子滤波相比,DUPF只需要其25%的粒子数目就能达到同样的跟踪精度,即可用较少的节点和通信消耗,实现高精度的目标跟踪.