K-means算法应用现状与研究发展趋势

K-means是一种无监督学习算法,基于数据对象之间的距离度量划分数据簇、欧氏距离等度量方法存在一些问题,比如离群点数据较多,算法准确度较低.互信息可以度量任意两个数据对象之间的互相包含程度,基于互信息改进K-means算法,可以更好地度量数据对象之间的距离,确保簇内高度相同和簇间高度相异,旨在解决离群点数据较多的情况下K-means算法准确度不高的问题.实验结果显示,与K-means算法、模糊K-means算法相比,改进K-means算法实验结果精确度达到了97.8％,该方法明显提高K-means算法的准确度.     

快速卷积算法的综述研究

卷积神经网络是深度学习算法应用最广泛的方向之一,目前卷积神经网络的应用不仅仅是停留在科技领域,已经扩展到医学、军事等领域,并且已在相关领域发挥着巨大的作用。卷积是卷积神经网络中最为核心的一部分,卷积运算占整个网络70%以上的时间,所以针对卷积运算的加速研究就显得十分重要。首先介绍近年来的卷积算法,并对其复杂度进行分析,总结了这些算法各自的优点和不足,最后对其理论研究和应用领域可能存在的突破进行了探讨和展望。     

基于响应时间的混合关键级系统弱约束调度策略研究

现有的混合关键级系统调度策略如AMC、SMC等大多以牺牲低关键级任务的方式保证高关键级任务的执行,不符合实际工业设计且破坏数据完整性。对此建立一种新的混合多关键级任务模型,基于响应时间分析提出两种调度策略:AMC-we-x和AMC-we-max-x。线下估计任务集在这两种调度策略下的可调度比率,与已有的混合多关键系统调度策略AMC-arb-x、AMC-max-x进行比较。结果表明,提出的两个调度策略在一定程度上能够实现调度低关键级任务的积极调度,可以通过改变弱约束模式参数调整任务的服务水平。     

基于改进风驱动算法的摄像机标定优化方法

为进一步提高摄像机参数标定的准确率,提出一种基于改进风驱动算法的摄像机标定优化方法.将摄像机内参作为空气微团的位置矢量,将标定结果的重投影误差作为空气微团的适应度值,通过迭代寻找适应度值最小的解.针对基本风驱动算法中固有参数的设置问题,通过引入协方差矩阵自适应进化策略自动确定.将该方法与张正友标定法、基于粒子群算法的标定法和基于基本风驱动算法的标定法作比较,实验结果表明,改进算法优化标定的摄像机内参精度更高,具有更快的收敛速度和更好的稳定性.     

基于改进的DeepESN软测量建模方法及应用

针对硫回收装置中硫化氢和二氧化硫浓度的实时监控预测问题,提出一种基于改进的深度回声状态网络(DeepESN)软测量建模方法,给出了其离线学习算法.改进的DeepESN网络能够通过多层回声状态网络的结构,可以对具有强非线性特性的化工过程进行有效的深度学习和预测.离线学习算法在求输出权值时加入了岭回归算法,有效地提高了网络学习的稳定性.将该方法在同等条件下与现有的软测量建模方法进行了比较,基于改进的DeepESN软测量建模方法具有更好的学习能力、更高的学习效率和预测精度.     

基于反演算法的严格反馈非线性系统固定时间跟踪控制

针对一类严格反馈非线性系统,研究固定时间跟踪控制问题.基于反演控制策略及Lyapunov稳定性理论,给出使系统全局固定时间稳定的充分条件和设计步骤.所提出的反演控制方案可以消除控制器存在的奇点问题,保证系统的跟踪误差在固定时间内收敛于原点的一个小邻域内,且收敛时间与系统的初始状态无关.最后,通过一个数值仿真示例验证了所提出设计方案的有效性.     

基于$pm3sigma$正态概率区间分族遗传蚁群算法的移动机器人路径规划

针对移动机器人路径规划问题,提出一种基于正态概率区间分族的家族遗传蚁群融合算法.首先提出初始种群优化及删除算子解决传统遗传蚁群融合算法中遗传阶段随机生成的初始种群质量低的问题;然后引入适应度值正态概率区间种群分族机制及家族混合交叉算子,解决传统遗传蚁群融合算法中易出现未成熟收敛的问题;最后引入混合变异策略以提高随机变异后生成的路径质量.将全局路径规划算法与局部路径规划算法-动态窗口算法相结合形成完整移动机器人运动规划.基于Matlab仿真平台与机器人操作系统平台进行实验分析,结果验证了所提出正态化概率分族遗传蚁群融合算法求解移动机器人路径规划问题的有效性.     

一种基于网络表示学习的miRNA-疾病关联预测方法

针对miRNA-疾病关联研究中信息使用不充分、过于依赖网络中节点的相似度信息以及预测准确度较低的问题,提出一种基于网络表示学习的miRNA-疾病关联预测方法(network representation learning miRNA-disease association,NRLMDA)。该方法通过引入长链非编码RNA(lncRNA)构造出miRNA-lncRNA-疾病异构网络,丰富原有网络的生物学信息;采用网络表征学习node2vec算法在上述提出的异构网络中以一定的游走策略获得节点的近邻序列,并通过skip-gram模型进行深度学习,从而获得节点的低维特征向量;最后基于miRNA-miRNA相似性的关联规则推断方法预测miRNA与疾病的关联。该方法能够挖掘出全局网络的拓扑结构特征,并且不需要负样本。NRLMDA在留一交叉验证和五折交叉验证以及进一步的案例研究上的实验结果优于经典方法。     

基于国产处理器增量式实时交通流预测算法及实现

针对城市交通难以处理大量数据且实时性差等问题,提出了根据增量式城市交通流数据预测拥堵情况的一种基于国产处理器的L-BFGS(limited-memory BFGS)算法。该算法通过存储向量序列计算Hessian矩阵,改进Two-Loop算法求下降方向,在Spark集群中并行处理时收敛速度快,适用于实时性要求强的城市交通场景。实验结果证明,L-BFGS预测算法完全可以在国产平台上对大规模的实时交通数据流进行快速建模、预测,在改善城市交通管理水平提供有效支撑的同时也丰富了国产芯片的应用领域。