Locally linear discriminant embedding: An efficient method for face recognition

In this paper an efficient feature extraction method named as locally linear discriminant embedding (LLDE) is proposed for face recognition. It is well known that a point can be linearly reconstructed by its neighbors and the reconstruction weights are under the sum-to-one constraint in the classical locally linear embedding (LLE). So the constrained weights obey an important symmetry: for any particular data point, they are invariant to rotations, rescalings and translations. The latter two are introduced to the proposed method to strengthen the classification ability of the original LLE. The data with different class labels are translated by the corresponding vectors and those belonging to the same class are translated by the same vector. In order to cluster the data with the same label closer, they are also rescaled to some extent. So after translation and rescaling, the discriminability of the data will be improved significantly. The proposed method is compared with some related feature extraction methods such as maximum margin criterion (MMC), as well as other supervised manifold learning-based approaches, for example ensemble unified LLE and linear discriminant analysis (En-ULLELDA), locally linear discriminant analysis (LLDA). Experimental results on Yale and CMU PIE face databases convince us that the proposed method provides a better representation of the class information and obtains much higher recognition accuracies.     

基于主次原型超平面最接近支持向量机

基于广义特征值的最接近支持向量机GEPSVM是一种新的具有与SVM性能相当的两类分类方法,通过求解广义特征值来获得两个彼此不平行的拟合两类样本的超平面,其决策规则是将测试样本归为距其最近的超平面所在的类。然而,该规则在某些情形会导致较差的分类结果。对此,本文提出了在利用GEPSVM产生一个主原型超平面的基础上,再利用主原型超平面及它类样本的信息构造一个次原型超平面,形成一个由主次原型超平面共同决策的最接近支持向量机。该方法不仅简单且易于实现,而且具有较GEPSVM更优的分类性能。在UCI数据集上的实验验证了它的有效性。     

基于控制微元的统计自适应增量控制方法

依据系统对模拟量实时控制的要求,提出了基于控制微元的统计自适应增量控制方法,给出了量化控制状态统计图的获取方法,分别找出了扩展控制微元的统计稳定系数、平均统计状态偏差、统计趋势、统计超调、尾偏差等参数与调节增量之问的关系,确定了统计控制策略及其最优化条件,给出了统计预测自适应记忆增量控制器的设计方案.该方法易于微处理器编程,运算速度快,可高效率实现对模拟量的精确控制.     

基于GIS的有害生物分布预测系统研究开发

为了满足现代农业发展的需要,建立有效预防和控制外来有害生物入侵的技术平台,研究开发出一种基于地理信息系统(GIS)的有害生物分布预测系统.系统将ADO数据库访问技术和GIS空间管理技术相结合,实现了空间数据的自动采样和处理,并利用两种生态位模型算法GARP和MaxEnt分析预测出有害生物在我国潜在的地理分布区,最后对模型预测结果进行ROC曲线评价.实验结果表明,系统的模型评价指标值均在0.85以上,对于有害生物的适生性分析具有较好的预测能力.     

改进的蚁群算法及其在2DHP模型中的应用

为了提高蛋白质折叠问题解的质量,采用蚁群算法对蛋白质的折叠问题进行研究,并且在现有的蚁群算法的基础上成功引入了淘汰和克隆机制,使其具有更好的运算效率,并成功应用到2DHP模型中.在蚁群对最优值进行搜索的过程中,容易出现局部最优点,导致影响解的质量.为了避免计算结果收敛到局部最优点,引入了一种最大最小蚁群策略.选择测试序列进行实验,实验结果表明,该算法在保证解的质量的同时,还具有较高的效率.     

双积分系统阶跃响应快速无超调控制: 一种增益切换非线性PD控制

采用标准PD或PID控制器镇定双积分对象时,系统的阶跃响应必然存在超调:为此,设计了一种可以切换增益的非线性PD控制器,给出了系统阶跃响应无超调的充要条件,以及减小调节时间的方法.采用的切换规律是:当误差的幅值大于设定门限时,设计好的快速PD控制器投入工作,以加快误差的收敛:当误差的幅值小于设定门限时,设计好的强阻尼PD控制器投入工作,以抑制可能出现的超调.通过这两个控制器的配合作用,既能实现阶跃响应无超调,又能有效减小调节时间.仿真验证了该结论.     

基于Struts2框架的AJAX开发研究

AJAX通过异步交互技术,提高了在B/S模式下服务器与客户端之间的传输效率和响应速度.Struts2通过兼容DWR和Dojo两大框架,以及提供对AJAX的支持标签,整合了AJAX技术.同时针对XML格式在AJAX中传输数据方面的效率低下问题,提出了利用JSON格式支持AJAX在Struts2中的数据交换的优化方案,实现了一个能够提供快捷的响应和良好的互动功能的MVC框架.     

基于网格技术的Argo数据共享系统

由于全球海洋实时观测网Argo的数据量十分巨大,为了有效管理和使用这些数据,在分析Argo数据格式及特点的基础上,提出了利用网格技术对Argo数据进行共享管理的方法.应用网格的元数据管理、副本管理和数据访问与集成等关键技术来管理海量的Argo数据,使用户可以在任何地点、任何时间透明地访问和使用Argo海洋观测数据资源,从而为海洋科学研究获取海洋环境信息数据提供方便.     

网络受限移动对象过去、现在及将来位置的索引

提出了一种适合于网络受限移动对象数据库的动态轨迹R树索引结构(network-constrained moving objects dynamic trajectory R-Tree,简称NDTR-Tree).NDTR-Tree不仅能够索引移动对象的整个历史轨迹,而且能够动态地索引和维护移动对象的当前及将来位置.为了比较相关索引结构及算法的性能,进行了详细的实验.实验结果表明,与现有的基于道路网络的移动对象索引方法如MON-Tree和FNR-Tree等相比,NDTR-Tree有效地提高了对网络受限移动对象动态全轨迹的查询处理性能.     

网格服务资源多维性能聚类任务调度

网格计算是当前一个重要的研究领域,其中任务调度是一个基本组成部分,其性能直接影响到网格服务质量.为了缩短任务调度完成时间,提高任务调度性能,提出了一种网格资源多维性能聚类任务调度算法MPCGSR (task scheduling algorithm based on multidimensional performance clustering of grid service resources).该算法根据网格环境下服务资源数量庞大、异构、多样的特点,预先以构建的网格服务资源超图模型为基础,结合小世界理论对服务资源进行多维性能聚类,将任务与聚类资源相匹配并实施调度.模拟实验结果表明,算法较之同类算法具有优越性,是一种有效的网格任务调度算法.