基于层次约束满足的产品选择算法

将产品的选择看作一种层次约束满足问题,从而提出一种基于层次约束满足的多属性决策算法HCSMDA,该算法基于约束逻辑编程,可解决实际的产品选择问题,使得用户得到所需的产品.     

利用概念属性的约束关系构建本体论概念层次

本体论概念层次构建是本体论工程的重要任务之一。通过分析本体论概念属性间的约束关系,借助于布尔方程衍生概念属性间的存在约束,提出了根据概念属性间存在约束关系构建本体论概念层次的方法,并在此基础上给出了本体论概念层次的维护算法。     

基于层次约束的2维动画关键帧插值算法

2D动画制作是一个劳动密集型的过程,如何自动进行关键帧插值是研究的难点。关键帧插值的核心环节是2D形体渐变,现有2D形体渐变算法大多针对闭合的单一多边形,在应用到包含多个区域的复杂形体时,可能出现区域之间的重叠。本文算法获取输入关键帧的封闭区域,并迭代计算区域间的匹配关系;对每个子区域建立相对于父区域的局部坐标系,施加层次间的约束关系进行插值,以消除父子区域插值过程中“运动”的不匹配现象。实验结果表明,该算法合成结果自然光滑,具有一定的实用价值。     

面向与历史无关造型的三维约束模型构建方法

由于与历史无关的造型系统中约束模型多处于欠约束状态,使求解结果往往不能很好地符合设计意图,为此提出一种基于虚几何元素的约束模型构建方法.该方法根据输入约束的方向特性创建虚几何元素,并将这些约束转换为实体几何元素、虚几何元素间的结构约束和尺寸约束,从而构建基本约束模型;在此基础上,通过几何元素的剩余自由度分析增补相应的几何约束,使约束模型更完备,求解结果更合理.文中方法已在原型系统InteModel中实现,并通过实例验证了其正确性和有效性.     

基于成对约束的半监督凝聚层次聚类算法

半监督聚类就是利用样本的监督信息来帮助提升无监督学习的性能。在半监督聚类中,成对约束(must-link约束和cannot-link约束)作为样本的先验知识被广泛地使用。凝聚层次聚类(AHC)也叫合成聚类,是层次聚类法的一种。提出了一种基于成对约束的半监督凝聚层次聚类算法(PS-AHC),该算法利用成对约束来改变聚类簇之间的距离,使聚类簇之间的距离更真实。在UCI数据集上的实验表明,PS-AHC能有效地提高聚类的准确率,是一种有前景的半监督聚类算法。     

基于成对约束的半监督凝聚层次聚类算法

对于所提出的建立在成对约束基础之上的半监督凝聚层次聚类算法,对聚类簇进行半监督处理的最主要目的在于借助于对样本监督信息的合理应用,达到提高样本在无监督状态下学习性能的目标.在现阶段的技术条件支持下,以半监督聚类分析为核心,建立在must link以及cannot link基础之上的约束关系被广泛地应用于样本聚类分析的过程当中.从这一角度上来说,为了使聚类簇与聚类簇之间的距离关系表述更加的真实与精确,就要求通过对成对约束关系的综合应用,实现对聚类簇距离的有效调整与优化.     

基于约束动态更新的半监督层次聚类算法

提出了一种基于约束动态更新的半监督层次聚类算法. 与现存的半监督层次聚类算法类似, 该算法也使用了必连和不连约束. 但不同的是, 该算法并不是在对满足必连约束的数据样本点进行预先划分的基础上依据不连约束进行聚合操作, 而是首先将约束扩展为一个闭包, 然后在这此基础上直接依据不连约束进行聚合操作, 并在聚合的过程中依据聚类结果动态地更新必连和不连约束, 以保证最终的聚类结果同时满足必连和不连约束. 该算法的优势在于省略了对必连约束的数据样本点进行预先划分的步骤, 这一改进能够保证数据样本点获得更为合理的聚合顺序, 从而得到更为准确的聚类结果. 本文具体给出了该算法基于Ward 层次聚类算法的实现, 提出了C-Ward算法.实验表明, 与其他同类算法相比, 无论是在人工模拟数据集还是在现实数据集上, 本文提出的算法都表现出了更高的准确性和更强的稳定性.     

基于最小二乘与D-S证据理论的WSN层次式数据融合算法

无线传感器网络中,数据融合技术是降低网络数据通信量、节省节点能耗和延长网络寿命的重要措施之一。为了在兼顾降低数据量的同时提高对事件的识别精度,提出了一种基于最小二乘法和D-S证据理论的层次式数据融合算法。算法在Sink节点上,以最小二乘算法融合从传感器节点上传的数据,降低了Sink节点与监控中心的通信量;在监控终端上采用D-S证据理论建立识别框架,通过证据的不断积累,提高了事件的识别精度。     

三维陈述式约束模型的自动生成

由于缺乏有效的自动生成约束模型的方法，三维变量化技术的进一步发展受到制约，通过转换边界表示和提取特征中的本质约束信息，自动生成三维陈述式约束模型，以InteSolid2.0为基础，实现了原型系统。     

一种可扩展型CLP系统的统一建模方法

约束推理是人工智能中主要组成部分之一,可以解决实际优化调度和规划过程中的约束求解问题。这里在解释了约束逻辑程序设计的原理和过程基础上,打破封闭式约束逻辑程序设计系统,从软件工程上采用统一建模语言,提出一种新的开放的可扩展型约束逻辑程序设计结构系统。为实现可扩展的约束推理搜索系统,引进UML建模语言中用例图、类图和协作图。在建模基础上详细说明了可扩展约束逻辑程序设计中数学模型,搜索引擎和搜索驱动三者间的关系以及它们内部的工作内容。最后在描述系统结构后,提出了可扩展的内容。根据扩展因素,外界为满足更多的需要可扩展本系统的约束过滤器。     

面向与历史无关造型的三维约束求解方法研究

以基于历史的造型系统中应用较为成熟的两项技术——特征编码和二维约束求解为基础,基于特征进行三维约束建模,从而打破传统的基于历史造型系统中特征之间的单向依赖关系;然后将三维约束关系映射到二维草图进行处理,简化了问题．该方法在InteSolid 2．0上实现．     

一种基于领域本体的用户建模方法

针对当前大多数个性化服务系统的不足,以旅游领域为背景,提出了一种新的基于本体的用户模型构建方法,利用领域本体中的概念、实例和属性描述用户兴趣特征,实现了在语义层次上理解用户兴趣。实验表明,该方法能有效提高用户模型的质量。     

基于面积约束的大豆叶片三维建模方法

针对基于图像对大豆叶片进行三维真实感建模的问题,考虑叶面积指数对大豆产量的影响,提出一种受面积约束的三维叶片建模方法.该方法首先从二维图像中提取出叶片特征点和叶片面积,然后采用双三次均匀B样条曲面插值特征点进行建模,并且根据叶片边缘卷曲形态对网格模型进行变形,构造叶片卷曲模型,分别计算不同卷曲模型的最大光照面积,从而选择最优的模型.实验证明,该方法能构造出逼真的叶片模型,并且具有一定的生物学意义和实际应用价值.     

信息抽取中领域本体建模方法研究

近几年来,本体作为一种知识重用、知识共享和建模的重要工具,尤其是领域本体,在信息抽取系统中扮演着越来越重要的角色。但是,目前领域本体的创建还缺乏系统的、工程化的方法。首先介绍了本体的概念及本体的建模准则,然后分析了现有的几种常见的本体建模方法,并通过对比分析各种方法的优缺点,再结合信息抽取的原理以及软件工程的思想,提出了一种新的领域本体的建模方法。该方法具有很强的逻辑性和可操作性,可被一些领域本体在建立时采用。     

基于特征造型的自由曲面特征及约束求解的研究

在对HUST-CAID（哈尔滨理工大学计算机辅助工业造型设计）系统进行研究的基础上，首先引入了自由曲面特征。然后结合HUST—CAID系统定义了自由曲面特征的分类和参数化，同时系统为用户提供了一组适当的参数，使用户能够直观的设计任意曲面，而不必参与曲面的底层设计。当用户修改参数时，系统就会自动提供相应的反馈。为了求解出与约束一致的图形，还给出了一种新颖的原型驱动约束求解算法，并在HUST—CAID系统中进行了仿真实验，结果显示，此算法能够有效地简化约束求解和特征造型的过程。     

基于约束区域的BSB联想记忆模型

提出一种根据联想记忆点设计基于约束区域的ＢＳＢ（Ｂｒａｉｎ－Ｓｔａｔｅ－ｉｎｍ－ａ－Ｂｏｘ）神经网络模型,它保证了渐近稳定的平衡点集与样本点集相同,不渐近稳定的平衡点恰为实际的拒识状态,并且吸引域分布合理,从而将ＥＳＢ完善为理想的联想记忆器。     

面向特征的移动数据业务管理平台领域建模

为了加强移动互联网领域中移动数据业务管理平台MDSMP（Mobile Data Service Management Platform）演进与维护的效率和质量,通过分析传统领域模型的缺陷,结合领域工程理论,构建面向特征的MDSMP领域模型,并引入职能实体实现业务构件提取的优化。实验表明,该领域模型的构件提取方式加强了特征与构件之间的可追踪性,有利于平台的演进与维护。