一种基于交错的窗口标量乘算法

从研究窗口标量乘法出发,通过将交错技术与Koblitz曲线上的窗口TNAF标量乘法相结合,给出一种新的标量乘算法,该算法不对标量乘进行预计算,只是在赋值阶段施加交错.由于Frobenius映射效率高,加之使用交错技术,本算法的效率比传统窗口NAF标量乘法要高.对新算法运行时间进行分析,新算法的时间复杂性比传统窗口NAF算法大约减少60%～75%,比Comb算法大约减少70%～79%.     

点类几何数据无损压缩算法的研究

在对矢量图数据的存储特性进行深入研究的基础上,提出了综合运用通用无损数据压缩算法和几何压缩算法的两步压缩策略。根据矢量图数据中各几何图形要素的不同存储特点,特别是根据点类文件的特点,研究实现了有效的点类几何数据无损压缩算法。     

遗址区居民生活质量与保护态度研究——以汉长安城遗址保护区为例

近年来,城市化的胁迫作用使得地处城市郊区的一些大遗址保护区在保护与发展之间产生明显博弈。作为遗址保护的重要利益群体,遗址区居民的保护态度与行为对遗址区保护与发展的协调具有举足轻重的意义。在问卷调查的基础上,笔者对地处西安市近郊的汉长安城遗址保护区的居民生活质量与遗址保护态度进行了关联性研究。结果显示,遗址区居民生活满意度表现出了一定的社会经济特征与空间特征,居民对生活质量的满意度同其遗址保护负外部性影响间呈现显著的正相关关系:对于生活质量满意度愈低的居民群体对遗址保护的认同感愈低,保护知识越欠缺,愈不容易与遗址保护妥协,对遗址保护的支持态度也就愈低。     

基于动态贝叶斯网络的大词汇量连续语音识别和音素切分研究

提出一个新颖的单流多状态动态贝叶斯网络(Single stream Multi-states Dynamic Bayesian Network, SM-DBN)模型,以实现大词汇量连续语音识别和音素切分.该模型在Bil m es等人提出的单流动态贝叶斯网络(Single stream Dynamic Bayesian Network, Phone-sh ared,SS-DBN-P)模型(识别基元为词)基础上,增加了一个隐含的状态节点层,每个词由它的对 应音素组成,而音素采用固定个数的状态描述,状态和观测向量直接连接.它的识别基元为音 素,描述了音素的动态发音变化过程.大词汇量语音识别的实验结果表明:在纯净语音环境下 ,SM-DBN模型的识别率比HMM和SS-DBN-P模型的识别率分别提高了13.01%和35.2%,而 音频流的音素切分正确率则分别提高了10%和44%.     

基于图像序列的射影重构*

研究基于图像序列的分层重构,包括射影重构和欧氏重构,主要介绍在射影重构过程中如果存在遮挡情况所采取的算法,并简单介绍了欧氏重构.存在遮挡时,选取序列中的三幅图进行处理,采用因式分解的方法获得结构模型,并且从获得的结构模型去检验被遮挡部分的溢出值,从而提取出有效值.实验证明算法的重建效果好.     

Internet网络测量概述

随着Internet规模的迅速扩大及其复杂性的增加,网络新业务不断涌现,网络的性能成为用户最为关心的内容。网络测量作为了解Internet的基本手段,越来越受到人们的青睐。     

基于UDGDP的转子故障数据集降维方法EI北大核心CSCD

针对旋转机械智能故障辨识精度偏低的问题,提出一种基于不相关约束的双邻接图判别投影(uncorrelated double graph discriminant projection,UDGDP)降维算法。该算法通过构建两个流形结构图使低维空间同类样本更加紧凑、异类样本更加分散,同时引入不相关约束条件以降低投影变换后特征分量之间的相关性,进而达到提取敏感故障特征的目的。用转子故障数据集进行验证的结果表明:UDGDP算法能够降低所获得低维空间各特征之间的相关性,并且使故障各类别之间的差异性变得更加清晰,可有效提升分类器的辨识精度。该算法可为转子系统故障的智能辨识技术提供理论参考依据。     

基于内容视频分析的发展研究*

随着多媒体技术和国际标准MPEG-4 、MPEG-7 的推出发展, 基于内容的视频分析已经成为研究的热点。对基于内容视频分析中的视频分割、视频描述和视频检索三个主要问题进行了深入的探讨研究。对各个领域的最新研究算法进行了比较和评述, 详细论述了这些方面已取得的成果、面临的困难和未来发展方向, 最后对基于内容视频分析的发展进行了总结和展望。     

基于多层极限学习机的电力系统频率安全评估方法

可再生能源发电的随机性、间歇性和低惯性特征导致含可再生能源电力系统的频率安全问题凸显。利用时域仿真进行频率安全评估存在计算量大、耗时长等缺陷,难以满足多重复杂不确定因素"组合数爆炸"下的频率安全快速评估需求。为了实现频率安全的快速分析与预测,提出一种基于多层极限学习机(ML-ELM)的频率安全在线评估方法。该方法通过深层架构建立输入与输出之间的非线性映射关系,并在自下而上的逐层无监督训练过程中,引入自动编码器算法和正则化系数,逐层优化输入层与隐含层之间的权重矩阵,以使ML-ELM有效表征复杂函数、提高预测精度和泛化能力。在IEEE RTS-79系统上开展算例测试,将测试结果与时域仿真和浅层神经网络方法所得结果进行比较,验证了所提方法的准确性和泛化能力。