原子簇快速匹配追踪算法

针对稀疏表示中匹配追踪算法计算复杂度过大的问题,提出了基于冗余字典原子相关性的匹配追踪算法.该算法利用相邻迭代过程中匹配原子的相关性对冗余字典进行簇化,得到M个多原子集合(原子簇);每次迭代过程中利用LVQ神经网络的快速学习能力从原子簇中选取目标簇;最后在目标簇中选取匹配信号结构的若干原子进行信号的稀疏逼近.实验采用一维稀疏信号进行仿真,结果表明与匹配追踪算法相比,其逼近性能相近,同时稀疏分解速度大大提高.     

基于累积前景理论和Choquet积分的直觉梯形模糊多属性决策

针对属性值为直觉梯形模糊数且属性存在关联性的风险决策问题, 提出一种基于累积前景理论和Choquet积分的直觉梯形模糊多属性决策方法。根据直觉梯形模糊数距离公式定义了直觉梯形模糊信息的前景价值函数, 通过价值函数和决策权重函数计算方案单属性前景值, 并运用Choquet积分融合属性间存在关联性的前景价值信息获得方案综合前景值, 根据综合前景值的大小实现方案的排序和优选。风险投资实例分析说明了该方法的可行性。     

一种新的BOC(n,n)型信号的精确捕获算法

针对BOC(n,n)型信号自相关函数存在三个峰值导致伪码捕获模糊性的问题,提出了一种新的基于相关函数的精确无模糊的捕获算法。该算法将信号进行频域的多普勒补偿,通过本地增设QBOC(n,n)支路,利用BOC(n,n)信号自相关以及BOC(n,n)和QBOC(n,n)互相关,经移位±TC/4、取模、求和、平方运算而实现。理论与仿真分析表明,该算法在不改变自相关主峰宽度的情况下完全消除相关副峰的同时,显著提高了主峰峰值;比传统捕获算法的性能好4.5 dB左右,并且捕获精度良好、易于实现。     

基于稀疏表示的单帧运动图像盲复原

提出一种基于稀疏表示的单帧运动盲复原方法,它充分利用自然图像中存在的各种先验知识进行求解。该方法分为模糊核估计和图像修复两个阶段。在估计模糊核时,它运用shock滤波器从模糊图像中预测出清晰边缘,以此指导全局图像的复原,并运用多尺度策略来解决大模糊核问题。在图像修复阶段,运用稀疏表示理论对复原图像进行降噪和重建,最终提高图像复原质量。实验结果表明,在不同噪声和模糊核条件下,该算法能有效消除运动模糊。     

基于混合模糊隶属度的模糊双支持向量机研究

双支持向量机是近年提出的一种新的支持向量机.在处理模式分类问题时,双支持向量机速度远远超过传统支持向量机,而且显示出较好的推广能力.但双支持向量机没有考虑不同输入样本点可能会对分类超平面的形成产生不同影响,在某些实际问题中具有局限性.为了克服这个缺点,提出了一种基于混合模糊隶属度的模糊双支持向量机.该算法设计了一种结合距离和紧密度的模糊隶属度函数,给不同的训练样本赋予不同的模糊隶属度,构建两个最优非平行超平面,最终实现二值分类.实验证明,该模糊双支持向量机的分类性能优于传统的双支持向量机.     

应用基于粗集的模糊神经网络进行软测量建模的研究

提出将软测量建模与数据挖掘方法相结合的思想。针对模糊神经网络输入维数高，且对应的神经网络是权值不完全连接的网络，结构简单、训练速度快。将该方法用于催化裂化装置的轻柴油凝点的估计，取得良好的效果。     

基于模糊测试的软件安全漏洞发掘技术研究

近年来,随着计算机网络技术的不断推广和应用的普及人们生活和工作越来越离不开计算机技术。目前,各行各业的发展都逐渐实现信息化。在当今互联网络时代,计算计研究工作仍然在不断深入,很多新专业软件层出不穷,但是软件的安全性是人们高度重视和思考的问题。因此,本文主要分析了模糊测试的定义,阐述了软件安全漏洞存在的危害性。针对模糊测试的软件安全性进行深入的研究,最后,通过软件安全测试试验分析静态测试和动态测试状态下,并且通过本文的研究,对未来模糊软件安全漏洞发掘技术的相关研究进行展望。希望通过本文的分析能为模糊软件安全漏洞发掘技术的研究和推广奠定坚实的基础。     

Altera携手百度在云数据中心使用FPGA加速

正Altera公司与百度在深度学习应用中使用FPGA和卷积神经网络(CNN)算法上展开合作,这将对开发更准确、更快的在线搜索功能起到关键作用。对于图像分类和识别任务等关键搜索功能,CNN被认为是目前最新而且一直以来非常准确的技术。百度采用了Altera Stratix V FPGA以及Altera面向OpenCL的SDK,并通过了Khronos OpenCL一致性测试认证。Altera的数据中心技术产品基于公司的高性能Stratix V和Arria 10FPGA,以及下一代Stratix 10FPGA和SoC,     

基于商业智能的小区日用水量预测模型研究

商业智能现在已广泛应用于各个领域,利用商业智能可以对趋势预测做出良好的支持,本文将其中一种常用商业智能的工具——数据仓库技术,应用于小区家庭的用水量预测研究。     

利用SOM网络模型进行聚类研究

自组织特征映射（SOM）是Kohonen提出的一种人工神经网络模型,其整个学习过程是在输入样本空间内进行．并以欧氏距离为度量。本文先介绍了SOM网络模型的来源,接着对SOM网络的结构与学习过程进行了介绍,最后给出了一个SOM网络模型在聚类中的程序实例。