快速的线结构光条纹骨架剪枝算法

针对线结构光条纹骨架存在分枝导致条纹中心不平滑的问题,在数学形态学提取骨架的基础上,提出了一种基于端点跟踪的快速线结构光条纹骨架剪枝算法。该算法采用沿分枝方向跟踪识别并去除分枝端点的方式来剔除骨架分枝,不需要建立复杂的跟踪规则来判断剪枝方向,并且不需要设置固定的跟踪阈值,其跟踪长度由分枝长度决定,从而提高了剪枝效率。实验结果表明:该算法的剪枝时间与骨架分枝的总长度呈线性关系;与传统的剪枝算法相比,该算法的剪枝速度提高了3~7倍,能够有效地去除骨架分枝,保留骨架主干。该算法实现了光顺、单向连通的线结构光条纹骨架的快速剪枝,提高了三维测量的精度与速度。     

预测蛋白质折叠结构的剪枝算法

为求解蛋白质折叠结构预测问题提出一种基于剪枝策略的启发式搜索算法.剪枝算法用一棵搜索树描述蛋白质构形的生长过程,通过定义权重、上下门槛制定一套有效的控制分支繁殖的规则,从而极大地提高了搜索的效率.采用国际文献公认的10个算例作为剪枝算法的实验测试集,并与目前国际上4个著名的算法进行比较,实验比较结果表明剪枝算法是一个高效的求解算法.     

基于ESCS剪枝策略的闭频繁项集挖掘算法

由于在现有的闭频繁项集挖掘算法中,剪枝策略相对单一,大都是针对1-项集进行剪枝,对2-项集和n-项集(n≥3)的剪枝策略相对匮乏,而有效的剪枝策略可以提前发现并剪掉大量没有希望的项集,因此改进闭频繁项集的剪枝策略对此类算法效率的提升具有很大的帮助。为此在ESCS(Estimated Support Co-occurrence Structure)结构基础上,提出针对2-项集的ESCS剪枝策略,并应用其将经典闭频繁项集挖掘算法DCI＿Closed(Direct Count Intersect Closed)改进为DCI＿ESCS(Direct Count Intersect Estimated Support Co-occurrence Structure)算法,同时对ESCS剪枝策略的效果加以验证。在多个公开数据集上、不同最小支持度阈值下,对改进前后算法时间性能进行比较实验。实验结果表明,改进的DCI＿ESCS算法在事务和项集较长的、较稠密的数据集上表现良好,时间效率均有一定程度的提高。     

关联规则挖掘的一种多剪枝概念格方法

多数据源上关联规则挖掘方法,由于各数据节点间相互通信的候选项集数目过于庞大或者挖掘过程需要对数据库进行多次扫描,导致挖掘算法效率不高。研究剪枝概念格(pruned con-cept laffice,PCL)中概念与频繁项集表示关系,定义剪枝格上的导出频繁项集,设计了一个利用多剪枝概念格从多数据源上挖掘近似所有关联规则的算法UMPCL(union algorithm of multiplepruned concept lattice)。利用一个频繁概念表示一些频繁项集以减少挖掘过程中产生的侯选项集数,使用与全局支持度相等的局部支持度对各子概念格进行剪枝,最后融合、剪枝各子剪枝格并提取全局关联规则。理论分析和实验验证表明该算法是有效的。     

一种基于不确定数据的高效剪枝挖掘算法

剪枝策略(pruning mechanisms)是频繁模式挖掘算法常用方法之一,通过该策略可以快速克服工业生产中可能发生的金融危机,从而最大限度地提高制造业的生产能力.现有的剪枝策略算法仅考虑每个产品的利润信息,不考虑产品的权重,所以效率低下.提出了一种新的剪枝挖掘算法.通过基于低估值的约束和组件权重的挖掘索引器进行的...     

基于交集为空的概念格批处理生成算法

采用剪枝方法,通过对NextClosure算法的改进,提出一种基于剪枝的概念格批处理算法Prun-NextClosure,减少了概念格构造过程中闭包运算的次数,从而提高概念格的构造效率。实验使用随机生成的数据集,验证了该算法的正确性和有效性。     

C4.5算法在民航CBT中的应用

决策树学习策略广泛应用于模式识别和机器学习等领域,用来解决与分类相关的问题。决策树剪枝的作用是简化决策树,提高决策树的泛化能力,避免对训练集的过适应,是决策树学习中的重要研究内容。本文详细介绍了数据挖掘算法中的C4.5算法的基本思想,并且对REP剪枝技术进行分析,以此对C4.5算法进行剪枝。实验表明改进的C4.5算法与原C4.5算法相比能很好地处理训练集的非平衡性,并降低决策树的规模,效率得到提高。     

Hadoop框架下的一种改进的Apriori算法

常见的基于Hadoop框架的Apriori改进算法在统计支持度时有扫描数据集、候选项集剪枝等方面效率低下且集群间的数据传输有较大的时间开销的问题,提出了一种Apriori的改进算法Apriori_Ind.算法运用Hadoop集群,使用先按事务对数据集分块,再将数据集的格式转换为项,事务集的分块处理策略,使算法充分利用分布式计算优势,实现各节点并行的实现候选项集生成与剪枝操作.并利用前项与后项的新结构表示频繁项集,新结构在各节点进行候选项集生成和剪枝时提高算法效率.Apriori_Ind具有减小集群传输代价、加速剪枝等优势.实验表明新算法适合大规模数据挖掘,特别是项的数量较大的情况下,算法性能有明显的提高.     

自动生成决策树的通用算法模板

目的 提供自动生成决策树的通用算法模板,从而使算法的设计能够快速验证为解决特定决策问题而设计的新算法。方法 提供智能编辑器供算法设计定义自己的公式,并利用该公式或内置算示来初始化通用算法模板,从而实现连续属性的离散化、采用基于概率分布的方法处理未知属性和噪声数据,利用预剪枝和后剪枝算法进行剪枝。结果与结论 用户能够利用该模板,在系统提供的交互式图形环境中,针对不同的决策问题测试决策树生成算法。     

传感器网络空间关键字近似Top-k查询算法

提出了一种基于节点剪枝的Top-k査询算法.定义集合支配区域与剪枝规则,根据用户查询位置的变动,按照给定的剪切规则,对传感器网络节点进行剪枝处理,将符合规则的节点预先筛除,运用统计学抽样理论,设计了空间关键字近似Top-k查询算法.在2个真实数据集上进行验证.实验结果表明,该算法能够满足传感器网络环境中用户的需求,并且相比于边界距离增量算法(IBD)与基于改进的MW-Voronoi区域的空间关键字查询算法(MSK-uvr),其网络通信开销较低.     

基于最小完美哈希函数的数据挖掘算法

提出了一种基于最小完美哈希函数的关联规则的挖掘算法.这一基于Apriori的算法在综合了传统哈希剪枝技术的同时,充分利用了最小完美哈希函数的优点,从而在保证静态数据库关联规则挖掘的同时,使对关联规则的哈希结构数据进行动态调整成为可能.这一算法不仅提高了挖掘效率,而且通过抑制哈希地址冲突提高了算法的稳定性和可用性.     

决策树的剪枝策略研究

主要研究决策树的修剪策略.着重对决策树需要修剪的原因、发展过程、修剪算法的分类以及修剪过程中注意事项、修剪程度的控制等进行了探讨.     

差异化剪枝组播计费算法

一种合理的组播计费方法应该既能保证组播运营商盈利,又能提高用户使用组播应用服务的积极性.本着整体盈利的原则,根据经济学中价格歧视的基本理论,提出了一种差异化剪枝组播计费算法.该算法通过合理的剪枝方式,调整接收组播组中的用户节点,使得不仅高于组播成本的组播子树能够得到服务,而且在整体竞价较低的组播组中的较高竞价用户也可以得到组播服务.并给出了算法的具体实现,仿真试验结果表明,差异化剪枝组播计费算法能够提高用户使用组播服务的积极性.     

一种有效的基于约束的关联规则发现算法

基于约束的关联规则挖掘是针对特定约束的规则的挖掘,挖掘的结果有着更好的针对性和实用性,Separate算法是现有的效果较好的算法,但有2点不足：未修剪生成的候选集和候选项重复生成。对此该文提出了改进的SeparateP算法,算法中加入了对候选集的修剪,并且利用了项集重复生成的信息,使候选集的修剪更加有效快捷。实验表明,改进算法显著提高了原算法的效率。     

基于垂直格式的频繁项集挖掘分段算法

针对Eclat算法连接和剪枝操作耗时的缺点,按照项集之间的可连接性,将数据集划分为等价类并分段存储,采用末项剪枝策略,在常量时间内完成连接和剪枝操作.针对Eclat算法求长集合的交集操作需要大量计算的缺点,采用多维数组分段存储项集的事务集,将长集合的求交集操作转换为分段求短集合的交集,并提出期望支持度的概念,在求交集的过程中预测支持度,从而减少求交集的比较次数.实验结果表明,该算法在时间性能方面优于Eclat算法,尤其适用于挖掘长模式稀疏数据集.     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

博弈树启发搜索算法在五子棋游戏中的应用研究

博弈是启发式搜索的一个重要应用领域,博弈的过程可以用一棵博弈搜索树表示,通过对博弈树进行搜索求取问题的解,搜索策略常采用α-β剪枝技术。在深入研究α-β剪枝技术的基础上,结合五子棋游戏特征,设计了五成/双三、估值函数和α-β剪枝算法相结合的改进博弈树搜索算法,实现了人机智能对弈的五子棋游戏。     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.     

高斯激活函数特征值分解修剪技术的D-FNN算法研究

 提出了一种D-FNN的新算法。其算法的最主要特点是：D-FNN选择高斯函数作为网络的激活函数和模糊系统的隶属函数,该算法不仅具有强大的全局映射泛化能力,而且在细化局部方面也有效;使用特征值分解修剪技术使得网络结构不会持续增长,可获得更为紧凑的D FNN结构,避免了过拟合现象。最后通过对Hermite多项式逼近能力来验证所提方案的有效性。仿真结果表明使用特征值分解修剪技术和高斯激活函数的D-FNN具有良好的性能。