基于期待类型的Chart句法分析算法

Chart算法是目前句法分析中应用最广泛的算法之一,但该算法的计算效率仍有待提高。通过对两种常用Chart算法的分析,提出一种以由底向上的Chart算法为基础,结合自顶向下Chart算法的预测能力的算法。算法按严格从左到右、由底向上的方向进行,根据已有活动边的活动角色类型和句法规则,产生当前词位置上的期待类型表,并以此限制后续边的生成。对比实验的结果表明,分析速度较普通Chart算法提高了约24%,同时也减少了一半以上因边池溢出而导致的分析失败的语句。     

广义Jensen-Schur测度在医学图像配准中的应用

使用互信息或归一化互信息测度进行医学图像配准时,由于噪声、模态、插值等影响,测度函数存在许多局部极值,收敛范围较窄,有可能导致误配准。为了克服上述缺点,定义了广义Jensen-Schur测度,利用巴特沃思函数对自变量值的非线性压缩功能,成功地消除了PV插值伪极值点。从测度曲线光滑性、抗噪鲁棒性、收敛性能方面,对四种新构造的广义Jensen-Schur测度、互信息和归一化互信息进行了比较和分析。实验结果表明,新构造的JS22和JS23测度在以上三个方面的性能都优于其他测度。     

基于区域GAC模型的二值化水平集图像分割算法

针对测地线主动轮廓(GAC)模型进行了改进,提出了一种基于区域的GAC模型.通过构造基于区域统计信息的符号压力函数取代边界停止函数,有效解决了弱边界目标或离散状边界目标的分割问题.该模型采用二值化水平集方法实现,避免了传统实现方法水平集函数需要重新初始化为符号距离函数,从而导致稳定性差、计算量大、实现复杂等缺点.对不同类型图像的试验结果表明:该算法迭代收敛速度比GAC模型传统实现方法明显加快,且可有效防止边界泄漏,分割效果优于传统GAC模型与C-V模型.     

基于抗体注射的免疫遗传算法

标准遗传算法存在收敛速度慢、过早成熟等缺点。借鉴生物免疫系统中抗体注射免疫的理论,提出了一种基于抗体注射的免疫遗传算法(AIGA)。该算法在保留了标准遗传算法随机全局搜索能力的基础上,引进了生物免疫系统的免疫应答、抗体注射和免疫选择等机制。结合旅行商问题(TSP),给出了示范抗体的提取和注射方法,并给出了算法收敛性的理论证明。最后,用AIGA对100个城市的TSP进行了仿真计算,并将其计算过程与标准遗传算法进行了对比,结果表明该算法能有效地改善遗传算法不成熟收敛的缺陷,使收敛的速度有较大的提高。     

基于并行组合模拟退火算法的过程挖掘

首先给出了过程挖掘问题的形式化描述,然后提出了一种适合过程挖掘的并行组合模拟退火算法。该算法采用因果关系矩阵作为过程模型的编码,与同类算法相比,对适应度函数、交叉和变异算子进行了改进,并利用模拟退火算法的特性提高了算法的收敛速度。仿真实验表明该算法能较有效地处理日志噪声问题。     

CPU与GPU并行计算的火焰模拟

采用基于粒子插值的SPH方法对火焰流体进行模拟,用GPU加速粒子状态地计算,同时用CPU并行地计算粒子邻接关系并控制粒子产生速率。在SPH模型中,较为高效地加入了漩涡场的计算,增加了粒子运动的细节。在粒子渲染过程中,采用了色度场、有向点扩散和颜色锐化技术,由离散的粒子空间分布得到了较为理想的连续火焰图像。由于该方法属于流体模拟的拉格朗日法,所以火焰具有物理真实性,又由于采用GPU为主CPU为辅的计算架构,使得模拟达到了实时。     

随机选择最优个体的量子粒子群优化算法

在分析量子行为粒子群优化算法的基础上,针对算法后期粒子群体容易聚集到一个狭小搜索区域,群体多样性降低的问题,提出了在算法中引入随机选择最优个体的改进方法,提高算法搜索过程中粒子群体的多样性。将改进后的量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较,仿真结果表明改进后的算法更适合解决多峰类的优化问题。     

无证书广义指定多个验证者有序多重签名

有序多重签名方案一般都是基于离散对数或身份的,存在着证书管理问题或是密钥托管问题。广义指定多个验证者签名体制允许签名的持有者指定多个签名的验证者,只有被指定的验证者可以验证签名的有效性。将无证书签名体制和广义指定多个验证者签名体制相结合,提出了无证书广义指定多个验证者有序多重签名方案及其安全模型。在随机预言模型下的安全性分析表明：该方案可以抵抗适应性选择消息攻击,其不可伪造性基于BDH困难假设。     

基于自适应小生境递阶遗传算法的RBF均衡器

递阶遗传算法(HGA)一次只能确定一个最优个体。采用小生境递阶遗传算法,依据进化信息自适应调整小生境区域,在均衡数据误比特率最低,隐层中心聚类有效性最佳的基础上,可以从多个进化优解中确定出最佳结构的径向基(RBF)神经网络均衡器。仿真结果验证了算法的有效性和稳定性。     

基于支持向量机的计算资源反馈调度

在实时控制系统(RTCS)中,计算资源一般受限。由于诸多不确定性因素和工作负载的动态变化,系统总是运行在不可预期的开放环境中。为保证系统的稳定运行,提出了一种基于支持向量机(SVM)的计算资源反馈调度方法。它周期性地监测系统计算资源,通过SVM在线预测,得到各个控制回路的下一个采样周期,从而实现系统计算资源的动态分配。通过仿真实验验证了该反馈调度方法的性能,并与理想情况、传统开环调度方法进行了比较,显示了其优越性。