一种射束与像素的快速遍历和求交算法

针对ART(algebraic reconstruction technique)算法重建速度慢的问题,提出了一种射束与像素的快速遍历和求交算法.该算法通过一个距离参数来确定射束穿过的像素索引并计算出射束覆盖像素的面积,距离参数采用增量计算,因而运算效率很高.利用该算法在图像重建过程中实时计算权因子,不但节省了大量的内存空间,而且大大提高了图像重建的速度.实验结果表明,提出的算法非常有效,与传统方法相比取得了17倍以上的重建加速比.     

三维网格模型数据流压缩算法研究

当前的网格压缩算法在编码顶点和连通信息之前,需要按照某种顺序遍历网格模型,而且需要构造支持拓扑结构访问的临时数据结构,不利于处理大型网格模型.从根源上抛弃了传统网格数据组织形式,给出了一种新的网格顶点和连通信息交错的网格数据组织方法,提出了以网格数据读入顺序渐进编码算法.实验结果表明,算法的处理速度和所占用的内存空间都优于传统的压缩方法.     

对双亲／孩子结构连接算法的研究与改进

结合区间编码和结点模型映射方法提出一种用于关系数据库的扩展存储模式.通过按广度优先遍历XML树实现对双亲/孩子关系结构连接算法的改进.改进后的算法降低了内存空间的开销,缩小了列表的扫描范围,明显提高了查找匹配速度,达到了查询优化的目的.     

分裂无线传感器网络基于消息摆渡的数据汇集策略

一旦无线传感器网络出现分裂,传统的路由协议就会失效.利用消息摆渡方法,提出一种数据汇集策略将分散在分裂网络中的数据汇集到基站,构造了优化到达基站的单位比特数据时延的数学规划问题,并利用不同的参数对之进行数值试验,分析了摆渡结点的运行速度、结点的内存空间等因素对单位比特数据时延以及数据丢弃率的影响.所提出的数据汇集算法,可应用于因监控范围大难以布置连通网络的场合.     

60°坐标系下三电平感应电机 SVPWM算法

传统三电平正交坐标系下空间矢量脉宽调制法(SVPWM)在矢量合成过程中,涉及大量函数运算,计算复杂,占用了计算机大量存储空间、导致运算效率下降.为更好的实现编程控制,进行60°坐标系下的SVPWM算法研究,改进和简化传统的SVPWM算法,避免了计算过程中大量的逻辑运算.最后通过对系统进行仿真分析与实验平台验证,结果表明,该算法减少了运算时间,提高了计算精度,更能满足实际工况需求.     

对左兄弟／右兄弟结构连接算法的研究与改进

结合区间编码和结点模型映射方法提出一种用于关系数据库的扩展存储模式。通过按结点编码中的广度遍历序号建立聚集索引，实现左兄弟／右兄弟关系结构连接算法的改进。改进后的算法降低了内存空间的开销，缩小了列表的扫描范围，明显提高了查找匹配速度，达到了查询优化的目的。     

几种支持向量机增量学习算法分析与比较

支持向量机增量学习算法相对于其它训练算法,具有运算速度快,节约运算时间,占用内存空间较少等优点。本文阐述了几种具有代表性的增量学习算法,并比较了它们的优缺点,对其发展方向进行了进一步的研究。     

基于位集合的Apriori算法的改进

针对经典Apriori算法运行效率瓶颈问题,结合位集合占用内存空间少、逻辑运算快的特点,提出一种基于位集合的改进算法ABS.该算法通过一次数据库扫描,构建事务集位集合;采用位集合逻辑“与”运算和位统计操作确定频繁项集;改进连接和剪枝策略,采用位集合的逻辑“或”运算,统计运算结果重复出现次数,生成候选项集.挖掘实例数据库Northwind的频繁项集,对比Apriori算法,改进算法运行时间明显减少.该算法避免了数据库的重复扫描和繁琐的连接减枝操作,进一步提高了Apriori算法的运行效率.     

过必经结点集的选择性排序算法

目前研究经过必经结点集的最短路径算法多数是针对不允许存在回路的情况,少数针对存在回路的传统算法时间复杂度相对偏高。对此通过探索最优路径形成的规律,将含有大量结点的图转化为含有少量结点的图,用选择性排序法尽量少地生成路径序列分支,对这些分支进行筛选从而得到最短路径。实验结果表明,在面对数目较多的必经结点时,该算法性能将优于传统算法。     

基于作者权威值的论文价值预测算法

论文引用网络是一个动态变化的网络,不断有新的论文加入引用网络中.传统的论文评 价标准如引用次数、PageRank值等"终身评价标准"存在排挤新结点的问题,如何在海量论文中寻找有 价值、被持续关注的论文,成为人们感兴趣的问题. Sayyadi提出了FutureRank算法,该算法通过预测论文未来"一段时间"的被引次数排名和PageRank值排 名来达到这一目的.但FutureRank算法需提前计算PageRank值,要耗费大量运算时间.据此,我们尝 试在不计算论文现有PageRank值的条件下,从论文的撰写者以及引用者的权威值的角度来预测论文未来 的被引次数排名和PageRank值排名.实验结果表明,我们的算法与FutureRank相比,不但缩短了运算时间,而且提高了预测准确率.