基于Apriori图挖掘算法的优化及其在3D构造解析的应用

基于Apriori的图挖掘(Apriori-based Graph Mining,AGM)算法结构简单,以递归统计为基础,但在面临庞大图数据集时,由于存在子图同构问题,在生成候选子图时容易产生很多冗余子图,增大了计算时间的开销。因此在AGM算法基础上提出一种改进方法,通过增加约束来减少候选子图生成数量,同时引入三次元坐标对图的顶点间的距离进行计算,并归结到边的标识当中,以处理三维图结构数据。通过改进算法对化学化合物进行分析,描述其三维化学结构以及生理活性上的相互关系,并测试了不同条件下改进方法的时间开销,实验结果表明在边标识数较多的情况下改进算法比原算法缩短了计算时间,提高了效率。     

改进混沌PSO算法的电力系统最优潮流计算

电力工业的市场化改革对最优潮流（Optimal Power Flow,OPF）的计算精度和速度提出了更高的要求。在分析最优潮流理论及其算法的基础上,对比一些经典解算法,引入粒子群优化算法（PSO）来计算发电厂成本耗费问题。考虑到传统PSO算法处理OPF约束条件时,对随机粒子个体的质量和速度的选取不能保证,且收敛速度慢,并容易陷入局部最优解,提出改进的混沌粒子群算法,即利用混沌运动特性来改进粒子群算法。利用该算法与其他算法对IEEE5节点算例进行分析比较,结果表明改进的混沌微粒群优化算法可较好处理最优潮流约束条件,有效提高了PSO算法的全局收敛能力和计算精度。在处理最优潮流问题上具有一定的有效性和优越性。     

SPRINT算法中寻找连续属性分割点方法的改进

文章针对SPRINT算法中的寻找连续属性最佳分割点计算量大的问题,改进了寻找连续属性最佳分割点的方法。改进后的方法可减少候选分割点的数目,从而减少计算量和计算时间。     

一种自适应惯性权重的并行粒子群聚类算法

针对K-means聚类算法和基于遗传（GA）的聚类算法的一些缺点,及求解实优化问题时粒子群算法优于遗传算法这一事实,提出了一种自适应惯性权重的并行粒子群聚类算法。理论分析和实验表明,该算法在收敛速度和收敛精度方面明显优于基于遗传算法的聚类方法。     

一种基于ACO的K-medoids聚类算法

K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差.ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点.在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高.通过仿真实验,验证了算法的可行性和先进性.     

一种基于粒子群的聚类算法

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。     

基于CT-SVD彩色图像盲水印方案

介绍了采用Contourlet变换的多尺度性、多方向性和SVD分解的稳定性特征对彩色图像嵌入数字水印的方法.先将RGB空间彩色图像转换为YUV空间,对明亮度分量Y进行Contourlet变换得到不同尺度不同方向上的系数,然后为了满足水印的不可见性和稳健性,对低频系数进行分块SVD分解,根据二值水印值修改左奇异矩阵U.     

一种有关DWT与SVD相结合的多功能水印新方案

提出了基于DWT和SVD相结合的多功能数字水印算法,主要用于图像版权保护和图像认证.该算法选取奇异值量化的方法分别嵌入鲁棒性水印和脆弱水印,鲁棒性水印主要用于适用于图像版权保护,脆弱水印主要用于检测图像被篡改的位置.在该方案中,采用分块双重置乱技术用于水印图像隐藏的预处理,以保障水印的安全性.实验结果表明,该算法不仅对JPEG有损压缩、中值滤波、剪切、低通滤波等各种图像降级处理有很强的稳健性,同时对图像篡改位置进行精确的检测,以抵制抗擦除或伪造易损水印的攻击.     

软件互操作及其在Web数据库中的实现

文章介绍了软件互操作的基本原理,讨论了当今的软件互操作方法,提出了设计Ｗｅｂ数据库中软件互操作的方法。