改进的并行快速排序

排序是计算机内一类很耗时的问题,快速排序是众多排序方式中相对较省时的算法,但当数据量大时,其耗时还是惊人的。为了解决大数据快速排序耗时的问题,论文在常用的快速排序并行方法的基础上,给出了一种改进方法,使其在时间复杂度上有明显的改进。     

基于TBB的Hough变换并行检测直线

Hough变换存在着运算时间长的缺点,用了并行处理这种解决海量数据计算的有效方法来减少其运行时间。该文主要研究了：利用TBB（Threading Building Blocks）这种线程构建模块在多核机上对Hough变换中可并行的部分进行并行化;实验表明这种方法对Hough变换的并行化都有很好的加速效果。     

基于OPENMP求解旅行商问题的并行蚁群算法

蚁群算法具有自组织性、正反馈性、较强的鲁棒性和天生的并行性等优点,不足之处是需要较长的搜索时间.为了解决其搜索时间过长的问题,文中提出了一种并行实现策略,用OPENMP应用编程接口采用C++语言编程实现,能明显减少搜索所用的时间.给出了一种解决旅行商问题(TSP)的并行蚁群算法,并通过串并算法执行时间的比较,说明并行算法的优越性.     

数据挖掘常用聚类算法研究

信息社会的发展,使数据量以前所未有的速度在增长,因此从海量数据中获取有用的知识和信息就变得越来越重要。数据挖掘是一种综合多领域知识而形成的数据分析技术,能够从大量数据中获取有价值的知识并为决策提供支持。聚类分析算法是数据挖掘中的一个核心内容,也是目前研究的一个热点。该文首先讲述了基于划分的聚类算法、基于分层的聚类算法、基于密度的聚类算法和基于网格的聚类算法等常用的聚类分析算法,并分析了其特点;然后通过举例详细描述了最近邻聚类算法的操作过程。聚类算法的总结,对聚类的研究和发展具有积极意义。     

Hough变换检测圆算法的并行化研究

针对Hough变换存在的运算时间较长的缺点,本文用了TBB(Threading Building Blocks)这种线程构建模块来并行处理Hough变换检测圆的问题,以有效的减少其运行时间。并通过实验表明这种方法对Hough变换有很好的加速效果。     

模板匹配算法的并行化

模板匹配是一种技术,人们通常用这种技术来进行模式识别,它利用已有的图像信息及与这些图像有关的模式识别方面的知识,能够更直接地反映两幅图像之间的相似度.由于传统的匹配算法存在自身的不足之处,即该算法的计算量非常大,这就导致了算法的运行效率比较低,难以满足对系统进行实时性响应的要求.在传统的模板匹配算法基础之上,结合并行计算方面的有关知识设计出一种并行的模板匹配算法.本文的并行模板匹配算法,是对传统的模板匹配算法进行相应的并行处理,能在很大程度上减少模板匹配算法的执行时间.     

基于TBB的Hough变换并行检测直线

Hough变换存在着运算时间长的缺点,用了并行处理这种解决海量数据计算的有效方法来减少其运行时间。该文主要研究了:利用TBB(Threading Building Blocks)这种线程构建模块在多核机上对Hough变换中可并行的部分进行并行化;实验表明这种方法对Hough变换的并行化都有很好的加速效果。     

用回溯法求哈密顿通路

回溯法是一种按照深度优先的策略从根结点开始搜索解空间树的算法，该算法可以用来求出问题的全部解，也可以在求出问题的一个解之后停止对问题的求解，即只求该问题是否有解。哈密顿通路就是判断图中是否存在一条通过所有顶点一次且仅一次的路径。本文主要讲的就是用回溯法来求解一个任意的图中是否存在一条哈密顿通路的问题，并用具体的算法来实现它。     

叶酸营养状况与宫颈癌发生及病理特征的相关性分析

目的：探讨叶酸营养状况与宫颈癌发生及术后病理特征的相关性。方法：回顾性收集自2020年2月—2022年9月在本院妇科就诊的81例宫颈癌患者和86例健康体检女性为研究对象。采用健康问卷收集患者年龄、初次性生活年龄、经阴道分娩史、孕次、吸烟、饮酒等一般情况资料，患者住院病历及体检报告收集2组研究对象高危型人乳头瘤病毒(HPV)感染情况，以及宫颈癌患者术后病理信息。收集2组研究对象清晨空腹静脉血检测血清叶酸水平。叶酸营养状况与宫颈癌发生的相关性采用Spearson相关，多因素分析采用Logistic多元回归。结果：与对照组相比，宫颈癌组患者年龄大，初次性生活年龄<23岁、孕次>2次以及高危型HPV感染者的人数多，差异均有统计学意义(P<0.05)。宫颈癌组患者血清平均叶酸水平低于对照组[(6.03±1.87) vs(4.76±1.49)ng/mL,P=0.011],宫颈癌患者血清叶酸水平≤3.1 ng/mL人数高于对照组[(19/62) vs (5/81),P=0.009],且血清叶酸水平与宫颈癌的发生呈显著负相关(r=-0.518,P<0.05)。年龄、初次性生活年...     

数据挖掘常用聚类算法研究

信息社会的发展,使数据量以前所未有的速度在增长,因此从海量数据中获取有用的知识和信息就变得越来越重要。数据挖掘是一种综合多领域知识而形成的数据分析技术,能够从大量数据中获取有价值的知识并为决策提供支持。聚类分析算法是数据挖掘中的一个核心内容,也是目前研究的一个热点。该文首先讲述了基于划分的聚类算法、基于分层的聚类算法、基于密度的聚类算法和基于网格的聚类算法等常用的聚类分析算法,并分析了其特点;然后通过举例详细描述了最近邻聚类算法的操作过程。聚类算法的总结,对聚类的研究和发展具有积极意义。