一种基于层次的移动对象动态聚类算法

由于现有聚类算法不能很好的解决移动环境下移动对象动态变化,本文提出了一种基于层次的移动对象动态聚类算法.该算法通过类中某些特殊点来表示该类,并且记录类合并过程中一些重要特征,使得移动对象动态变化时,简化聚类的过程,从而满足移动环境下对动态聚类算法时间的要求.     

一种高效的分布式序敏感轮廓查询处理算法

提出了一种新颖的分布环境中的序敏感轮廓查询算法（即找出不被别的对象所“支配”的且聚集值较高的对象）。现有的算法在节点数m较大时会消耗大量的网络带宽。提出了一种新的分布式序敏感轮廓查询处理算法（Distributed Rank-aware Skylining,DRS）。DRS算法在任意数据集上只需要4次交互就能完成,并且通过剪除不必要的对象来减少通讯代价。通过模拟数据验证了DRS算法的效率。实验表明,当节点数m大于4时,DRS算法性能优于现有算法的性能。     

基于信息熵的标称变量聚类算法研究

通过对标称数据的分析,提出了一种基于信息熵和层次聚类思想的标称数据聚类算法。算法采用信息熵度量对象之间的相似性,通过数据直接计算相似性阈值。实验证明算法是可行并且有效的。     

对象视图模型及其创建和删除算法

提出了一种面向对象的实视图模型——对象视图模型。它利用了面向对象技术,能够清楚地表达多维数据的语义和操作,因而便于在数据仓库中描述复杂对象,并且有利于前端分析工具OLAP的实现。定义了对象视图模型的概念,并给出了对象视图模型的创建和删除算法,该算法能够有效地实现从数据源到数据仓库中对象（数据）的抽取和加载。     

一种对二维空间对象进行聚类的算法

地理信息系统存储了大量的二维空间对象,对这些对象进行聚类分析是数据挖掘的一项重要任务.本文提出一种针对二维空间对象的聚类算法.该算法引用层次聚类方法的思想,将子聚类信息用一个聚类特征表示.采用基于密度的方法,发现任意形状的簇,能较好地处理孤立点,并且支持增量式聚类.实验证明该算法是有效的.     

邻域平衡密度聚类算法

聚类是数据挖掘领域的一项重要分析手段.在分析核心对象与其邻域对象的分布特征后,引入对象的投影点,对象的邻域平衡、平衡核心对象、边界稀疏对象等概念.提出一种新的基于密度的聚类算法bDBSCAN(balance-DBSCAN).算法将核心对象邻域中的对象投影,进行向量单位化,考察核心对象的邻域平衡性,将与平衡核心对象平衡密度可达的对象聚成一个簇.理论分析和实验结果表明,算法可以处理任意形状的簇,有效地排除边界稀疏对象这类噪声,并且可以解决高维数据聚类边界区分不明显、噪声对象多等问题,提高了聚类精度.算法的时间复杂度与DBSCAN近似.     

基于密度加权的粗糙K-均值聚类改进算法

针对粗糙K-均值聚类算法中类均值计算式的特点,提出了一种改进的粗糙K-均值算法.改进后的算法基于数据对象所在区域的密度,在类的均值计算过程中对每个对象赋以不同的权重.不同测试数据集的实验结果表明,改进后的粗糙K-均值算法提高了聚类的准确性,降低了迭代次数,并且可以有效地减小孤立点对聚类的影响.     

一种用于系统辨识与预测中的反馈神经网络

该文给出了一种应用于系统辨识和预测的反馈神经网络算法。这种反馈神经网络具有结构清晰、算法简单的优点,并且弥补了前馈神经网络在辨识过程中的缺点和不足。该文在最后给出了使用该反馈神经网络算法在Matlab软件包中对火电厂热工对象进行辨识与预测仿真的结果。     

信息网数据库管理系统的查询优化

查询是信息网数据库管理系统的重要组成部分。反向查询是一种被广泛应用,并且十分耗时的查询策略,因为在反向查询中对象名未知,在匹配路径之前需要通过路径反向查得对象。针对反向查询,提出了优化算法,从最后一条有价值的路径单元开始反向查询,利用路径上提供的所有信息,将搜索空间限制至最小,使得花费在路径匹配上的时间减少,查询效率得以提升。最后,原始算法和优化算法进行了对比实验,结果表明了优化算法的优越性。     

气相色谱仪中多对象高精度温控系统的实现

介绍了一种面向多对象的高精度温控系统的硬件及软件实现方法。重点介绍了基于C语言的单片机温控算法的实现，并在此基础上进一步提出了适应对多对象的自适应智能控制改进算法。实时控制结果表明，本文所提出的控制系统实现方法是可行的，并且相比以前的控制系统具有明显的优势。     

复杂网长度的自动测量

科学研究和生产实践中经常需要测量复杂对象的长度。文中首先利用安全点细化算法提取对象的骨架结构，并开发出新颖的一次扫描长度算法快速测算出目标的长度。新算法运算量小，精度高，与对象复杂度无关。     

一种基于神经网络基函数的新型遗传算法

该文提出了一种新型的遗传优化方法。由参数模型描述的神经元基函数作为遗传基因,利用每个神经元输出序列与网络训练目标以及神经元输出序列之间的相关性得到网络遗传优化方法的选择算子,根据不同参数的特点得到相应的交叉和变异算子,建立基函数的参数化模型,得到遗传算法的初始基因组;并根据初始基因组建立各参数基因组,通过合适的交叉变异算子对个各参数基因组进行交叉变异操作。这样得到的算法使输出误差分布较为均匀,能够大大提高网络的输出精度,简化网络的结构,信号跟踪与非线性系统逼近中得到很好的效果,提高了网络的适时学习能力。     

一种新的压缩采样匹配追踪算法

提出了实用性更强的完全受噪声扰动理论模型,引入了与原信号相关的乘性噪声;并基于新的模型,提出了一种改进的压缩采样匹配追踪算法.该算法通过构造一个感知测量矩阵,在信号替代阶段中取代随机测量矩阵来减少相关性对支撑集筛选的影响,最后可在乘性噪声存在的情况下实现了信号的精确重建.实验结果表明,在相同测试条件下,该算法的重建效果均优于其他贪婪算法和基匹配法(basic pursuit,BP).     

被动声传感器网时延概率定位算法

声传感器测量目标发出的声波信号存在纯方位量测、时延较大的特点,通过对多个声传感器组网,可以实现对目标的定位和时延校准处理.提出了一种被动声传感器网时延概率定位的综合处理算法.首先,对多个传感器量测数据进行动态选择,选出测向线交角更接近90°的两个传感器量测数据进行交叉定位,获得目标初始位置;其次,进行时延校准处理,并重新确定测向线交角更接近90°的两个传感器量测数据进行交叉定位.获得新的目标初始位置估计;最后,利用概率定位对新的初始位置进行概率修正,进而获得目标较为准确的位置估计,形成航迹.仿真结果表明,此算法具有计算量小,实时性强,定位精度高的特点.     

基于FLDA、CPCA与HMM的人脸识别

为了获得具有较高识别率的算法,提出了一种将Fisher线性鉴别分析(Fisher Linear Discriminant Analysis)、复主分量分析(Principal Analysis in the Complex Space)与隐马尔可夫模型(Hidden Markov Models)相结合进行人脸识别的方法。对于输入的不同光照、人脸表情和姿势的图像先进行归一化处理,然后将归一化后的图像转化成一维向量,再用FLDA方法提取每幅图像的特征,形成新的复向量空间;通过运用复主分量分析,来抽取人脸图像的有效鉴别特征;最后通过HMM对这些特征进行训练,得到一个优化的HMM并应用于识别。在ORL人脸数据库中进行实验,实验结果表明,该方法具有较高的识别率。     

基于初始中心优化的遗传K-means聚类新算法

一个好的K-means聚类算法至少要满足两个要求：（1）能反映聚类的有效性,即所分类别数要与实际问题相符;（2）具有处理噪声数据的能力。传统的K-means算法是一种局部搜索算法,存在着对初始化敏感和容易陷入局部极值的缺点。针对此缺点,提出了一种优化初始中心的K-means算法,该算法选择相距最远的处于高密度区域的k个数据对象作为初始聚类中心。实验表明该算法不仅具有对初始数据的弱依赖性,而且具有收敛快,聚类质量高的特点。为体现聚类的有效性,获得更高精度的聚类结果,提出了将优化的K-means算法（PKM）和遗传算法相结合的混合算法（PGKM）,该算法在提高紧凑度（类内距）和分离度（类间距）的同时自动搜索最佳聚类数k,对k个初始中心优化后再聚类,不断地循环迭代,得到满足终止条件的最优聚类。实验证明该算法具有更好的聚类质量和综合性能。     

两维区域三角剖分的新算法

提出一种两维区域三角剖分的新算法,算法首先递归应用求两维点集凸包的Graham扫描法,在原始区域的点集中求出一系列的凸包,同时原始两维区域也被这些凸包划分为多个独立的子区域,然后对相邻两个凸包之间的子区域进行三角剖分,从而实现对整个原始两维区域的三角剖分.和以往得算法相比,提出的算法的时间效率大大提高了,并且在作者参与的军队2110建设项目应用中也体现了良好的效果.     

基于Canopy聚类的谱聚类算法

传统的谱聚类算法对初始化敏感,针对这个缺陷,引入Canopy算法对样本进行“粗”聚类得到初始聚类中心点,将结果作为K-Means算法的输入,提出了一种基于Canopy和谱聚类融合的聚类算法（Canopy-SC）,减少了传统谱聚类算法选择初始中心点的盲目性,并将其用于人脸图像聚类。与传统的谱聚类算法相比,Canopy-SC算法能够得到较好的聚类中心和聚类结果,同时具有更高的聚类精确度。实验结果表明了该算法的有效性和可行性。     

一种基于差别矩阵属性约简的完备算法

为获取一个较优的属性约简集,在对粗糙集中基于差别矩阵的属性约简算法研究的基础上,文中提出了一种新的属性约简算法.该算法对由差别矩阵得到的属性差别集进行运算,得到一种集合内元素之间没有包含关系的新集合,在分析该集合性质的基础上,给出针对该集合的一个较优属性约简集.最后对时间复杂度进行了分析,并给出了完备性证明.     

Variable partial-update NLMS algorithms with data-selective updating

We note that some existing algorithms are based on the normalized least-mean square （NLMS） algorithm and aim to reduce the computational complexity of NLMS all inherited from the solution of the same optimization problem, but with different constraints. A new constraint is analyzed to substitute an extra searching technique in the set-membership partial-update NLMS algorithm （SM-PU-NLMS） which aims to get a variable number of updating coefficients for a further reduction of computational complexity. We get a closed form expression of the new constraint without extra searching technique to generate a novel set-membership variable-partial-update NLMS （SM-VPU-NLMS） algorithm. Note that tile SM-VPU-NLMS algorithm obtains a faster convergence and a smaller mean-squared error （MSE） than the existing SM-PU-NLMS. It is pointed out that the closed form expression can also be applied to the conventional variable-step-size partial-update NLMS （VSS-PU-NLMS） algorithm. The novel variable-step-size variable-partial-update NLMS （VSS-VPU-NLMS） algorithm is also verified to get a further computational complexity reduction. Simulation results verify that our analysis is reasonable and effective.