排序方式: 共有11条查询结果,搜索用时 15 毫秒
1.
供应链管理是对供应链上各企业间活动的整体集成,协调供应链上各企业之间的关系,供应链系统中的供应、生产、销售基本环节存在委托代理关系。基于贝叶嘶博弈分析了企业间的关系,设计了生产商、销售商委托代理模型的分析机制,其中生产商即委托人的目标函数是利润最大化,销售商即代理人的激励条件是不低于最低销售利润,有效地协调和控制供应链上物流、信息流、资金流,使整个供应链效率最优,实现企业效益最大化。需建立相应的供应链优化机制的运作模型,以实现供应链的优化。 相似文献
2.
密度峰值聚类(DPC)是近年来提出的一种新的密度聚类算法,算法的核心是基于局部密度和相对距离,通过画出决策图,人为选定聚类中心,进而完成聚类.DPC算法利用截断距离计算局部密度,本质上只考虑了周围近邻节点的数量,且算法采用单步分配策略,一定程度上限制了算法对任意数据集的计算精度和有效性.针对上述问题,提出基于二阶k近邻... 相似文献
3.
雾天视频图像增强与运动目标跟踪模型及方法 总被引:2,自引:0,他引:2
关于视频图像多目标检测优化问题,针对雾天视频图像目标特征和背景不断地变化,雾天图像的退化程度跟场景深度成非线性关系的问题,提出用于准确完成雾天运动目标检测的实时背景建模框架的图像清晰化方法,并创建一种新的具有增量集成学习能力的目标跟踪计算模型和相应的方法,以适应跟踪过程中目标特征和背景的不断变化,构建一种具有增量学习能力的稳健的目标跟踪算法,改进方法有效地解决了雾天条件下运动目标跟踪的稳健性. 相似文献
4.
目的 评价短暂前脑缺血再灌注(ischemia-reperfusion,I/R)对大鼠海马中脑源性神经营养因子(brain-derived neurotrophic factor,BDNF)启动子与组蛋白去乙酰化酶3(histone deacetylase 3,HDAC3)结合的影响,并探讨其作用机制。方法 采用Pulsinelli四血管夹闭法建立SD大鼠的I/R模型(I/R组),同时设假手术组(Sham组)。尼氏染色法观察大鼠海马中神经元存活情况;染色质免疫共沉淀(chromatin immunoprecipitation,ChIP)法检测大鼠海马中BDNF启动子(Bdnf-p1、Bdnf-p2、Bdnf-p4和Bdnf-p6)与HDAC3的结合情况;qPCR法检测大鼠海马中反义脑源性神经营养因子(brain derived neurotrophic factor antisense,BDNF-AS)的表达情况。结果 与Sham组比较,I/R组大鼠海马CA1区神经元数目大幅减少,CA3和DG区神经元数目变化较小。I/R组大鼠海马CA1区中Bdnf-p1和Bdnf-p2与HDAC3结合... 相似文献
5.
借鉴蛋白质分泌机理, 提出一种基于蛋白质分泌调节机制的生物情智学习行为的演化博弈算法, 通过蛋白质分泌过程产生的信号肽在细胞基质中指引分泌蛋白合成的自组织演化序列行为,作为本文演化博弈算法设计原理,系统的情智选择行为具有较高的自组织、自调节能力, 保证系统的行为决策具有有效性,通过仿真实验, 对水污染扩散函数进行求解验证,显示该算法具有较强的自适应求解能力。 相似文献
6.
7.
为解决现有算法对社交网络节点影响力计算准确度不高的问题,本文整合节点不同维度信息,综合考虑节点在多个主题社区上的主题分布向量,提出一种新的节点影响力计算模型.模型首先将主题相关性作为先验信息;然后利用混合隶属度随机块(Mixed Membership Stochastic Block)模型表达节点间的交互关系,用主题模型学习主题内容;最后结合全局拓扑关系迭代计算节点的全局影响力.本文选取社交网络数据,以P@N、MAP等作为评价指标同现有主流算法进行比较.实验结果显示,本文算法有效提升了影响力节点识别的准确度和排名的有效性. 相似文献
8.
针对图像处理中实现无损信息隐藏,提出了有限域Fq上矩阵序列线性变换移位寄存器的概念。揭示n维Arnold模型变换的置乱变换周期的内在规律,把置乱变换的周期归结为求模为素数的变换矩阵的周期性问题,确定了模为素数幂的矩阵的周期,求出模为合数的周期。变换矩阵周期性计算方法在图像信息处理方面,可以实现较大容量的信息嵌入和保持较小的图像失真,并在提取机密信息时实现无损恢复原宿主图像。 相似文献
9.
通过对水污染扩散的时空演化的分析,对水污染演化过程中迁移扩散运动的复杂行为进行了研究,建立了流域污染物扩散演化规律的数学模型。借鉴蛋白质分泌过程产生的信号肽在细胞基质中指引分泌蛋白合成的自组织演化序列行为,提出一种基于蛋白质分泌调节机制的生物情智学习行为的演化博弈算法。该系统的情智选择行为具有较高的自组织、自调节能力,保证算法搜索寻优行为的决策具有有效性。仿真计算结果表明:本文算法具有较强的自适应求解能力,为分析水资源的污染提供了定量的分析工具。 相似文献
10.
图神经网络(graph neural network, GNN)是处理图数据的重要方法. 由于计算复杂、图数据容量大, 在大规模图上训练图神经网络依赖于CPU-GPU协作和图采样训练方法, 其中图结构和特征数据存储在CPU内存中, 而采样得到的子图及其特征则传输至GPU进行训练. 然而, 这种方法面临着严重的图特征数据加载瓶颈, 显著降低了端到端训练性能, 且图特征占用过多内存, 严重限制了可训练的图规模. 为了解决这些问题, 我们提出了基于输入特征稀疏化的数据加载方法, 显著减少CPU内存占用和跨PCIe总线传输的数据量, 大幅缩短数据加载时间, 加速GNN的训练, 使其可以充分利用GPU计算资源. 针对图特征和GNN计算特性, 我们提出了适用于图特征数据的稀疏化方法, 在压缩比和模型准确度之间达到平衡. 我们在3个常见GNN模型和3个不同规模的数据集上进行了实验评估, 包括最大的公开数据集之一MAG240M. 结果表明, 此方法将特征尺寸减小了一个数量级以上, 并实现1.6–6.7倍的端到端训练加速, 而模型准确度的降低不超过1%. 此外, 在仅使用4个GPU的情况下, 仅需40 min就可以在MAG240M上完成GraphSAGE模型的训练并达到目标准确度. 相似文献