联合标签预测与判别投影学习的半监督典型相关分析

目的 典型相关分析是一种经典的多视图学习方法。为了提高投影方向的判别性能,现有典型相关分析方法通常采用引入样本标签信息的策略。然而,获取样本的标签信息需要付出大量的人力与物力,为此,提出了一种联合标签预测与判别投影学习的半监督典型相关分析算法。方法 将标签预测与模型构建相融合,具体地说,将标签预测融入典型相关分析框架中,利用联合学习框架学得的标签矩阵更新投影方向,进而学得的投影方向又重新更新标签矩阵。标签预测与投影方向的学习过程相互依赖、交替更新,预测标签不断地接近其真实标签,有利于学得最优的投影方向。结果 本文方法在AR、Extended Yale B、Multi-PIE和ORL这4个人脸数据集上分别进行实验。特征维度为20时,在AR、Extended Yale B、Multi-PIE和ORL人脸数据集上分别取得87%、55%、83%和85%识别率。取训练样本中每人2（3,4,5）幅人脸图像为监督样本,提出的方法识别率在4个人脸数据集上均高于其他方法。训练样本中每人5幅人脸图像为监督样本,在AR、Extended Yale B、Multi-PIE和ORL人脸数据集上分别取得94.67%、68%、83%和85%识别率。实验结果表明在训练样本标签信息较少情况下以及特征降维后的维数较低的情况下,联合学习模型使得降维后的数据最大限度地保存更加有效的信息,得到较好的识别结果。结论 本文提出的联合学习方法提高了学习的投影方向的判别性能,能够有效地处理少量的有标签样本和大量的无标签样本的情况以及解决两步学习策略的缺陷。     

基于单调速率调度算法的μC/OS-II多任务周期的设计

嵌入式实时操作系统μC/OS-II对于多任务调度采用让就绪表中优先级最高的任务总是处于运行状态,这种策略在周期性多任务的调度中存在着缺陷,可能使得任务的周期设计不当导致任务不能被调度。通过引入单调速率调度算法,在对多个任务设计任务周期时予以分析,确定每个任务都能被调度。     

基于实值遗传算法与TAFSVM的遥感图像分类

支持向量机已经被成功应用于遥感图像分类。一种新型具有良好特性的支持向量机--全间隔自适应模糊支持向量机被提出。这种新型的支持向量机具有通过训练集的模糊性来增强泛化能力;对不平衡训练集具有自适应性,对正负数据采用不同的损失算法,可以提高正确分类率;通过引进全间隔算法来代替软间隔算法,可以得到更低的泛化误差等优良特性,符合遥感图像数据的内在规律。并且运用实值遗传算法对其进行参数优选,得到一种新的分类器——AGATAFSVM。最后将该分类器应用于遥感图像分类。实验结果表明,该分类器非常适用于遥感图像分类,分类精度和稳定性明显高于径向基神经网络分类器、 最近邻分类器和标准支持向量机。     

无线局域网的构建

随着无线网络技术的日趋成熟,无线网络的应用越来越广泛,详细地介绍了无线局域网的几种标准,无线网络构建的六种方案,以及在无线网络中常见的几种安全问题的解决方案。     

改进的基于邻接树的贝叶斯网络推理算法

分析比较Shafer-Shenoy结构和Hugin结构两种经典的基于邻接树的贝叶斯网络推理算法。针对Hugin算法在推理分析领域的局限性,通过在Hugin算法的消息传播过程中引入零因子标志位和零因子处理机制,提出一种Hugin算法的改进算法R-Hugin。该算法具有良好的推理分析性能,并从理论和实验两个方面证明R-Hugin算法的正确性和有效性。     

基于内部结构MPOMDP模型的策略梯度学习算法

为了提高MPOMDP模型的知识表示能力和推理效率,提出一种基于Agent内部结构的MPOMDP模型。该模型能表示Agent的内部结构及其时间演化,并通过将系统联合概率分布表示成每个Agent内部变量集的局部因式形式,以提高模型的推理效率。将GPI-POMDP算法扩展到基于内部结构的MPOMDP模型中,给出基于内部状态的多Agent策略梯度算法（MIS-GPOMDP）,来求解基于内部结构的MPOMDP。实验结果表明MIS-GPOMDP算法具有较高的推理效率,且算法是收敛的。     

基于离群特征模式的股市波动预测模型

由于股票价格波动具有较强的突变性且易受外界因素影响,导致股票价格走势难以预测。提出基于离群特征模式的股市波动预测模型（SFSVM）。该算法首先利用马尔可夫毯选取目标结点的局部网络结构,以屏蔽其他结点对目标结点的影响;对目标结点的指标进行分析,提取异于一般行为的离群特征模式;利用滑动窗口捕捉离群特征,将离群特征模式作为先验知识加入原SVM模型,预测尖峰点并平滑尖峰点对于预测结果的影响,提高预测模型的稳健性。在股票板块数据上进行实验结果证明,SFSVM算法相对于神经网络和标准的SVM算法,在股票的走势预测方面有更好的预测效果。     

高超声速飞行器动力学建模与分析

吸气式高超声速飞行器本身具有复杂动力学特性,由于存在强烈的结构弹性/推力/气动的耦合以及其力学环境的诸多不确定因素,使得飞行器本身的动态特性相当复杂.经典牛顿力学方法建模难以清楚反映飞行器结构弹性/推力/气动耦合.为更为精确的分析高超声速飞行器复杂的动力学特性,本文针对吸气式高超声速飞行器采用拉格朗日法进行了建模与动态特性分析,选择了具有代表性的特征点,建立了小扰动模型,在不同特征点上采用拉格朗日模型和牛顿力学模型对比分析高超声速飞行器的动力学特性.结果表明,拉格朗日方法所建立的动力学模型能够更清楚地符合高超声速飞行器结构弹性和气动特性耦合以及发动机尾流和气动特性之间的耦合特性.     

基于零参考深度曲线估计的图像增强网络改进

随着多云存储市场的快速发展, 越来越多的用户选择将数据存储在云上, 随之而来的是云环境中的重复数据也呈爆炸式增长. 由于云服务代理是相互独立的, 因此传统的数据去重只能消除代理本身管理的几个云服务器上的冗余数据. 为了进一步提高云环境中数据去重的力度, 本文提出了一种多代理联合去重方案. 通过区块链技术促成云服务代理间的合作, 并构建代理联盟, 将数据去重的范围从单个代理管理的云扩大到多代理管理的多云. 同时, 能够为用户、云服务代理和云服务提供商带来利益上的共赢. 实验表明, 多代理联合去重方案可以显著提高数据去重效果、节约网络带宽.