基于自动检焦信号梯度信息的自适应平滑算法研究

近年来随着航空相机技术不断发展,高分辨率相机将成为未来航空相机的发展趋势;但环境的变化会使光学系统的性能发生显著的、随机的变化,因此,欲在恶劣的环境条件下获得最佳分辨率,必须使相机具有很高的检焦精度,然而由于测量元件及电源等的噪声的存在,大大影响了检焦信号精度;基于中值滤波和梯度信息的平滑滤波算法,介绍了一种新的自适应平滑算法,该算法有效地抑制扰动信号,更为真实的突现出峰值信号,从而大大提高了检焦精度;该方法大大减小了随机干扰对检焦结果的影响,提高了检焦精度,从而每次都能获得较为清晰的图像。     

以学习理论探讨基于全球标准数字学习与测评的系统架构及有效学习模式的实证分析

本文通过研究学习理论探讨了ICT信息与网络通讯核心能力常用应用软件适性学习系统的架构。首先就IC3学习系统与精熟学习理论、适性学习理论、鹰架学习理论、示例学习理论及双代码学习理论基础进行了说明,其次利用学生学习数据进行IC3 M-B(Mentor-Benchmark)学习模式的实证性分析,最后就IC3常用应用软件适性学习系统对目前ICT信息与网络通讯技术能力的教学模式、策略以及未来的努力方向提出建议。     

领域本体半自动化建模工具的设计与实现

现有的大多数本体都是通过手工构建的。然而,本体的构建是一项非常费时费力的过程,近年来如何半自动地构建领域本体的研究越来越多。文章提出了基于中文分词以及数据挖掘技术的半自动领域本体建模方法,该方法能大大提高本体构建的效率,并且一定程度上保证本体的质量。实验证明该方法是可行的。     

基于Fisher准则的自适应图像分割算法

为了克服基本遗传算法收敛性差、易早熟的问题,针对阈值分割算法的实时性和准确性的要求,基于Fisher评价函数较强的分类效果和遗传算法的强大空间搜索能力,提出了改进的自适应分割算法,引入Fisher评价准则函数作为适应度函数,运用自适应的遗传算法确定图像分割的阈值,实现二者的有效融合,获得了比较满意的结果。实验表明,通过与已有的算法进行比较,改进的算法在分割效果和寻优效率上,都有了显著的改善。证明该优化算法的正确可靠性。     

基于聚类和密度的KNN分类器训练样本约减方法

提出了一种基于聚类和密度的KNN分类器训练样本约减方法。使用KNN分类器进行文本分类的时侯,由于训练样本在类别内分布的不均匀,会造成分类准确性的下降,而且相似度计算量非常大。新方法根据训练样本的密度采用聚类的方法,约减了一定数量的“噪声”样本。实验表明,使用该方法能同时提高KNN分类器的准确率和效率。     

常减压装置初馏塔顶产品干点软测量的应用研究

在常减压装置中,影响初馏塔顶石脑油干点的因素很多,反应十分复杂,故难以建立准确的机理模型.针对传统的主元分析法(PCA)或自适应模糊推理系统(ANFIS)建立软测模型中的缺点,本文提出采用主元分析法预处理输入变量,再结合自适应模糊推理系统,进行常减压装置初馏塔顶石脑油干点的软测量模型的改进,能及时测定化工过程的变量,对稳定生产过程,有效控制产品质量具有重要意义.通过MATLAB仿真,表明该改进型方法的软测建模效果较好,建模的训练时间大大节省了,且泛化能力和拟合精度很好.     

基于稳定性的基因表达数据聚类算法选择

聚类是一种常用的基因表达数据处理手段,然而它又是主观的,如何选择符合数据内在分布的聚类算法成为目前急待解决的问题.根据经验,当选择最佳簇数k后,采用合理的聚类算法对目标数据重复聚类时,结果稳定性较好.因此提出一种基于稳定性的聚类算法选择.该方法将聚类结果的簇间分离度、簇内紧致度和聚类结果稳定性三者结合起来.在验证和应用三组数据时发现,比传统的评估方法,基于稳定性的聚类算法选择更客观、更可靠.     

一种新的半监督入侵检测算法

针对无监督学习的入侵检测算法准确度不高、监督学习的入侵检测算法训练样本难以获取的问题,提出了一种粒子群改进的K均值半监督入侵检测算法,利用少量的标记数据生成正确样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用粒群优化的K均值聚类,有效提高分类器的分类准确性,并实现了对新类型攻击的检测。实验结果表明,算法的整体检测效果明显优于基于无监督学习和监督学习的检测算法。     

基于PCA和多约简SVM的多级说话人辨识

提出一种基于主成分分析（PCA）和多约简支持向量机（SVM）的多级说话人辨识方法。首先用PCA对注册说话人进行快速粗判决,再用多约简SVM进行最后决策。此多约简SVM有两个约简步骤,即用PCA和样本选择算法分别减少训练数据的维数和个数。理论分析和实验结果表明：该方法可以大大减少系统的存储量和计算量,提高训练和识别时间,并具有较好的鲁棒性。     

基于流行度的自适应Web预测模型

目前基于局部匹配预测（PPM）模型的研究关注的焦点是在保证预测精度的前提下,尽量缩减PPM的空间占用,但缺乏自适应动态更新机制,难以实现在线预取。针对Web访问特点,提出了基于流行度的自适应预测模型。该模型的核心是基于Web对象流行度的PA PPM预取算法,通过模型构造、模型预测和模型更新三个过程实现了动态自适应的Web预取。讨论并实现了确定性上下文预测,最优阶估算以及上下文LRU替换策略等功能。在Web缓存与预取一体化条件下的实验表明,该模型具有较高的性能,适用于在线预取。