基于脊波变换的图像压缩算法

自然图像包括大量的具有明显“直线边缘”的图像,而且边缘表示了图像的主要信息。利用脊波对“直线奇异”的良好刻画,针对具有直线特征的图像,设计基于脊波变换的有损压缩算法。首先对图像进行脊波变换,然后对变换系数进行标量量化、扫描、游程编码和熵编码。仿真实验表明,与基于小波变换的JPEG 2000压缩算法相比,该算法能获得更高的压缩率,同时保持较高的信噪比。     

一类线性分式规划问题的全局优化方法

针对一类线性分式规划问题,给出一个新的分支定界算法.算法的主要特点是在建立原问题等价的松弛线性规划问题时,利用对数函数和指数函数的单调性和凹凸性,提出了一个新的二级松弛规划来确定最优值的下界,这可以用于改善算法的收敛速度.通过对松弛线性规划问题可行域的细分以及一系列松弛线性规划问题的求解过程,从理论上证明了此算法能收敛到初始问题的全局最优解.并通过数值算例证明了算法的有效性.     

独立分量分析结合数据划分的故障检测方法

针对多变量系统的各个变量之间往往相互影响,且一般不能严格服从高斯分布的特点,通过运用独立分量分析的方法对正常状态下观测的数据进行处理,从中提取出统计独立的独立分量,为简化后续分析,对得到的独立分量按照向量范数的概念划分为两部分:主部和余部,并分别计算两类统计量:I2统计量和SPE统计量,反映系统变化和偏差,确定其置信界,与在线数据进行对比,用于检测运行系统中发生的故障.最后给出的多变量过程仿真实例,快速准确地检测到了运行中发生的异常,证明了这种方法的可靠性.为广泛应用于监控多变量系统的运行,检测故障的发生提供了一个有效的工具.     

长腔体内混合流体行进波对流的高精度数值模拟

该文构造了含源项的对流-扩散方程的高精度紧致格式,并应用于求解描述混合流体行进波对流系统的控制方程.其中,对流项采用四阶精度的紧致格式离散,扩散项用四阶对称格式离散.首先对长高比为46腔体内的混合流体行进波对流系统进行验证性计算,得到了瞬态的对传波(counterpropagating wave)以及两种类型的调制行进波(modulated traveling wave).验证结果与其他前人的数值模拟结果非常吻合.该文计算得到了延伸行进波(extend traveling wave),在此基础上通过减小瑞利数,分析了局部行进波的稳定性对Rayleigh数r的关系,并确定了局部行进波的稳定范围为r=1.12～1.22.     

虚拟桌面压缩技术进展

虚拟化技术是云计算技术的关键技术之一,虚拟桌面压缩和传输更是桌面云的核心技术,直接关系到虚拟桌面的用户体验和系统的性能。该文对近年来虚拟桌面压缩技术的学术领域研究进展和产业界的发展趋势进行了分析和介绍,并对虚拟桌面压缩技术的发展方向进行了论述。     

类型系统与程序正确性问题

类型系统能检出合法程序的语义错误,可以缩短调试时间,在执行程序之前捕获代码中的错误。类型系统的理论基础是类型化的λ演算。带子类型的高阶类型系统腿已成为类型化语言的演算核心。类型系统和直觉主义极小逻辑是同构的。证明系统的能力取决于类型系统,因而类型系统可以表迭程序的性质,并自动进行验证。     

基于DCA-PSO算法的均值-VaR投资组合优化

投资组合决策面临现实证券市场中的大量数据,是一个复杂的组合优化问题,属于NP难问题,传统的算法难以有效求解。文化算法和粒子群算法是新近出现的两种仿生智能算法,将新提出的动态文化粒子群算法用于求解均值-VaR模型,用罚函数方法处理模型中的不等式约束,选取沪市和深市的十六支股票作为备选股票进行实证分析,数值结果表明该算法可以高效、合理地解决投资组合优化问题。     

求解0/1背包问题的离散差分进化算法

0/1背包问题是实际中经常遇到的一类经典NP难组合优化问题.针对0/1背包问题,提出一种融合贪婪变换的离散差分进化算法.该算法中通过模2运算来实现变异操作;为了满足约束上限,融合了贪婪变换;为了防止早熟,采用了在进化若干代后重新初始化种群的策略.经数值实验表明,该算法在求解0/1背包问题时是可行的,有效的,比单纯的贪婪算法,融合贪婪变换的粒子群优化算法及融合贪婪变换的遗传算法更加稳健,良好.     

混合变异算子的自适应粒子群优化算法

针对惯性权重线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种非线性递减的惯性权重策略,使算法很快地进入局部搜索,并在算法中引入混合变异算子,克服算法易早熟收敛的缺陷。对几种典型函数的测试结果表明,本文算法的收敛速度和收敛精度都明显优于LDW算法。     

回归模型中变点识别的一种稳健方法

变点识别是数据分析中一个非常重要的研究内容.文中针对目前变点识别研究中忽略了方法的稳健性,未能充分考虑异常值的影响的不足,提出利用一种高度稳健的回归类混合分解算法来识别变点.该方法从混合回归模型的角度,将含有变点的回归模型看作回归类的混合,通过逐步挖掘数据集中的回归类,并对排序后的回归类进行分析,进而确定变点的位置及个数.数值模拟表明,在识别变点的过程中无须预先指定变点的数目,并且具有高度的稳健性和有效性.