基于相似度差的大间隔快速学习模型

许多模式分类方法比如支持向量机和L₂核分类器等都会利用核方法并转化为二次规划问题进行求解,而计算核矩阵需要O(m²)的空间复杂度,求解QP问题则需要O(m³)的时间复杂度,这就使得此类方法在大样本数据上的学习性能非常低下。对此,首次提出了相似度差支持向量机算法DSSVM。算法旨在寻求样本与某类相似度的一个最佳线性表示,并从线性表示的稀疏性以及相似度差意义上的间隔最大化角度构造了新的最优化问题。同时,证明了该算法等价于中心约束型最小包含球问题,这样就可以通过引入最小包含球的快速学习理论将相似度差支持向量机扩展为相似度差核支持向量机DSCVM,从而较好地解决了大规模数据集的分类问题。实验证明了相似度差支持向量机和相似度差核支持向量机的有效性。     

EZW算法中小波分解层数及扫描次数对图像压缩性能的影响

嵌入式零树小波编码方法(EZW)是目前公认的效率最高的小波图像编码方法之一。 EZW算法中,不同的小波分解层数能够影响小波变换的时频分辨率和小波系数的变化范围,从而影响最终的编码效率;扫描次数的多少直接关系到能被编码的有效小波系数,从而影响最终的编码增益。讨论了 EZW 算法中小波分解层数和小波系数的扫描次数对图像压缩性能的影响,为基于EZW算法的小波图像压缩中的选择合适的小波分解层数及扫描次数提供了参考。通过仿真实验可以看出,在相同的扫描次数下,随着小波分解层数的增加,压缩比增大,而峰值信噪比随之下降;而在相同小波分解层数下,随着扫描次数的增加,峰值信噪比显著提升,而压缩比明显下降。     

贯流式机组主轴密封水流量中断原因分析及处理

随着低水头径流式水电站的开发,灯泡贯流式机组凭借其投资低、安装工期短、检修方便等优势越来越被广泛应用。广西长洲水利枢纽贯流式水轮机主轴密封水流量中断成为了机组停机的主要原因。对事故的原因进行了分析,并从设计、制造和运行方面,对防止主轴密封水流量中断提出了几种防范措施,解决了主轴密封水流量中断造成机组停机的问题。     

基于DWT低频系数的自适应盲水印算法

提出了一种基于小波变换低频系数的自适应数字水印算法。通过小波变换将图像分解成不同空间与频率的系数,这些系数之间存在着一种树状结构关系。利用这种树状结构关系将低频系数分成两类,一类对应图像的强纹理区域,一类对应图像的弱纹理区域;针对分类的结果将不同强度的水印分量嵌入到对应的低频小波系数中。该算法具有很好的不可感知性,实验结果表明该算法有较好抗JPEG压缩、低通滤波、剪切等各种攻击的能力。     

模糊系统逼近理论：现状与展望

近年来,各类模糊系统已被证明是万能函数逼 近器,它们能实现任意的非线性连续控制规律和动态模型．本文综述与分析了模糊系统逼近 理论研究的最新成果,并指出了进一步研究工作的方向．     

一个基于Web Service的数据交换系统的设计

针对基于Web Service的数据交换系统的具体设计,提出了其中的两个技术关键即"基于WSDL的数据交换标准的制定"以及"可视化界面定义的数据转化方式",探讨了其实现方法。     

Java CoG Kits在GridFFP开发中的应用

通过对Java CoG Kits软件包的研究,介绍了Java CoG Kits的结构和GridFTP的特性,讨论了Java CoG Kits中用于开发GridFrP客户端的FTP包的组件层次和类库,描述了GridFTP客户端类库用于编写GridFlP应用的函数,研究了GridFTP第三方控制数据传输模型,给出了实现的过程和步骤,最后基于Java CoG Kits设计实现了GridFTP第三方控制数据传输.     

代码组件的组合重用是一种新的程序设计范型

本文在描述了程序设计范型的特性之后,详细地介绍了代码组件的组合重用方法,提出并论述了代码组件的组合重用是一种新程序设计范型的观点.本文还详细地描述了这种新程序设计范型的特点,同时也指出了应当解决的一些课题.     

引黄灌区跨地区水权转让补偿 标准的研究

针对黄河流域引黄灌区的跨地区水权转让补偿标准的定量问题,探讨了转让费用构成中的农业风险补偿、生态补偿、水管单位补偿的含义和计算方法,并以内蒙古自治区鄂尔多斯市引黄灌区的水权转让一期项目为实例,通过计算得出3项补偿费用为889.92万元/年,在25年水权转让期内应付出的补偿费用为22 248万元,水的转让价格平均增加补偿费用为3.45元/m3。对黄河流域水权转让费用构成中的补偿费用进行准确的定量计算,将会进一步推动水权转让更加科学合理的实施,并为引黄灌区的健康持续发展奠定基础。     

一般化最小包含球的大样本快速学习方法

标准最小包含球(Minimum enclosing ball, MEB)模型的对偶问题可视为MEB问题并能够利用核心集向量机(Core vector machine, CVM)实现大样本的快速训练,但对于一般化MEB模型,对偶问题中的不等式约束发生了变化而不能视为MEB问题, 不能方便地使用CVM来解决大样本的快速训练.为此,提出了一般化MEB快速学习方法(Fast learning of generalized MEB, FL-GMEB),首先放松对偶问题中的不等式约束条件,使其等价于中心约束的MEB问题,从而利用CVM获得其核心集(Core set, CS);然后利用局部线性嵌入(Locally linear embedding, LLE)的逆思想将CS扩充为拓展核心集(Extended core set, ECS);最后将ECS及其对应的优化权作为一般化MEB模型的逼近解. UCI和USPS数据集上的实验结果表明, FL-GMEB在大样本快速训练方面具有较好的性能优势.