SVM在羽绒识别中的应用

目前,对羽绒种类的识别,均借助于显微镜由人工完成,这种方式存在诸多弊端。本文提出将SVM引入羽绒识别中,用计算机自动完成对羽绒的识别。在羽绒图像经过图像处理的基础上,用SVM对二值图像中的菱节进行识别,然后对识别出的菱节进行配对、计算节距,由计算机自动确定羽绒的种类。     

删除边的免疫策略

为了使用更少的免疫数量且更快地消灭病毒,提出了基于删除边的免疫策略。该策略根据边与重要节点之间的关系,对重要节点直接相连的边或任意两个重要节点与其共同邻居节点之间的边进行免疫。实验使用SIS病毒传播模型,分别在ER随机网络、BA无标度网络和几种实际网络中测试了该策略的免疫临界值以及对应网络的连通度,结果表明：删除边的免疫策略与目标免疫策略相比可以通过免疫较少的节点来消灭病毒,并且可以更好地保持网络的连通性。     

基于水平集的PSO算法的改进

粒子群优化算法PSO(Particle Swarm Optimization)目前仍存在着早熟收敛和收敛速度较慢的难题,提出一种新的PSO改进算法.该算法利用水平集对PSO的每一代粒子按照适应度进行划分,把与目标相关的所有信息结合在一起,改变了原有的PSO进化公式,提高了算法的收敛速度;其次,对于每一代的某个个体进行变异,使其变异到粒子密度低的空间中去,从而提高了粒子的多样性,减少早熟发生的机会.实验证明,这种算法是有效的.     

运动信息优化相关滤波的多目标跟踪算法

在结合检测器检测信息的多目标跟踪任务中,目标漏检通常会导致目标漏跟,增加目标身份标签变换等问题,从而降低跟踪精度.针对该问题,提出了一种运动信息优化相关滤波的多目标跟踪算法.该算法在得到目标的检测信息后,采用核相关滤波(KCF)对目标进行跟踪,并融入目标的运动信息和图像信息,以处理检测器结果不精确,出现大量漏跟失跟问题...     

基于健康度的人工蜂群粒子群算法

针对标准粒子群算法存在收敛速度慢和易陷入局部最优等问题,提出了一种基于健康度的人工蜂群粒子群算法。通过动态地对各个粒子的健康状况进行评价,对正常粒子和病态粒子分别进行处理,避免无效搜索,提高算法的收敛速度;在处理病态粒子时,一方面以大概率借鉴人工蜂群的搜索策略提高算法的探索能力,另一方面以小概率增加粒子群的多样性,避免陷入局部最优。实验结果表明,与标准粒子群算法和其他改进算法相比,该算法收敛速度快、寻优精度高。     

一种具有迁移学习能力的RBF-NN算法及其应用

经典的径向基人工神经网络学习能逼近任意函数,因而应用广泛。但其存在的一个重要缺陷是,在已标签样本过少、不能反映数据集整体分布情况下,容易产生过拟合现象,从而导致泛化性能严重下降。针对上述问题,探讨具有迁移学习能力的径向基人工神经网络学习算法,该算法在引入ε不敏感损失函数和结构风险项的同时,学习源领域径向基函数的中心向量及核宽和源领域模型参数,通过充分学习历史源领域知识来弥补当前领域因已标签样本少而导致泛化能力下降的不足。将该算法应用于人造数据集和真实发酵数据集进行验证,和传统的RBF神经网络算法相比,所提算法在已标签样本少而存在数据缺失的场景下,具有更好的适应性。     

基于信息交流策略的连续域蚁群优化算法

连续域蚁群优化算法（ACOR）在求解优化问题时,全局寻优能力弱,寻优结果精度低。受自然界中优秀的个体之间相互交流和结合可以产生较优的后代的启发,提出了一种基于信息交流策略的连续域蚁群优化算法（ICACO）。ICACO算法在对解的更新过程中选取一部分较优解利用信息交流策略进行处理得到候选解,并采用贪婪方式接受能够改善解的质量的候选解。通过标准测试函数对所提算法进行测试,实验结果表明ICACO算法能够有效地提高ACOR算法寻优结果的精度并加快收敛速度。该算法与相关改进的连续域蚁群算法及其他智能优化算法相比全局搜索能力更高,效果更好。     

基于能量分布的异构传感器网络分簇算法

针对能量异构的无线传感器网络,提出一种分簇算法。该算法采用基于节点剩余能量分布状况的簇头竞争参数,降低成簇过程中的通信能耗,实现簇头的均匀分布。在簇间综合考虑簇头剩余能量及其与基站的通信能耗,以选择合适的下一跳路由节点。仿真结果表明,该算法可以均衡网络能量消耗,提高节点能量利用效率,延长网络寿命。     

基于动态递归径向基函数神经网络的彩色图像恢复

将一种动态递归神经网络完成的最近邻分类器(NNC)应用于彩色图像恢复。采用多层感知器(WLP)与径向基函数(RBF)网络相结合的网络结构，把原型模式的显式表示作为网络参数，可自由扩大或删除原型模式，具有自适应特性。用这种模型实现的动态NNC去除了传统NNC中的比较运算,一定程度上降低了运算复杂度。试验结果表明该方法对于含有不同程度噪声的彩色图像恢复效果良好。     

基于混合优化算法的最大独立集问题求解

蚁群优化算法（ACO）的正反馈机制使其具有强大的局部搜索性能,但其全局优化性的优劣在很大程度上与挥发系数的选择有关,如选择得不合适则易将使算法陷入局部最优,而禁忌搜索算法（TS）则具有强大的全局优化性能。为了弥补单一ACO算法的局限性,将ACO算法与TS算法组合起来,提出了基于TS和ACO算法的混合优化算法HTSACO,并将该混合优化算法用于求解最大独立集问题。实验表明：与标准蚁群优化算法相比,该算法显示出了很高的全局优化性和计算效率。