基于经济流速的管径优化方法

针对已有供水管网管径优化方法的缺点,该文提出了一种基于经济流速的启发式管径优化算法.该算法在应用前,无需人为规定管网的流量分配方案.算法分析步骤明确,计算简单.为了评价所提出的启发式算法的计算效率和优化结果的合理性,文中将计算时间和分析结果同广义简约梯度法和遗传算法的结果进行了对比.结果表明,该文的启发式算法计算效率远高于上面两种方法,计算结果接近遗传算法得到的最优解.     

基于GPU的粒子滤波并行算法

针对粒子滤波跟踪算法计算量较大,需要在跟踪准确性与计算效率之间做出妥协的问题,分析了粒子滤波算法的并行性,提出了基于图像处理单元(GPU)平台的粒子滤波并行算法.将传统粒子滤波算法与GPU有效结合起来,充分利用GPU并行运算的性能,加快粒子滤波算法的计算速度.对所提出算法的计算性能与普通串行算法进行了对比,实验结果表明该算法在不降低跟踪准确性的同时,平均每帧处理时间显著减少.     

一种KMP算法中求nextval数组的改进算法

KMP算法是一经典的模式匹配算法,有着广泛的应用.实现该算法的关键是计算模式的next或nextval数组值.本文针对计算nextval数组传统算法难于求解的问题,提出了一种基于next数组来计算其nex-tval数组的改进方法.实验结果表明该方法能有效地提高计算效率,且易于求解.     

动态投入产出最优化控制模型的微粒群算法

对于动态投入产出最优控制模型的以往求解方法,只能求出其局部最优解,而不能求出全局最优解.提出了一个新的动态投入产出最优控制模型,给出一个新的算法-微粒群算法,该算法计算结构简单,具有较强的全局寻优能力、收敛速度快和较高的计算精度.数值实验表明:提出算法的计算结果优于用传统的最优化方法计算的结果,同时也验证了微粒群算法对求解动态投入产出最优控制模型的有效性.     

雷电定位计算的粒子群优化方法

针对雷电定位问题,引入粒子群优化(PSO)算法用于雷电定位计算.给出了利用这种算法进行雷电定位的计算步骤,并提出用PSO算法和传统迭代算法协作计算雷电位置的方法.通过数值仿真分析和电网雷击事故定位计算分析了PSO算法的性能.结果表明:该算法能克服传统迭代方法易于发散的缺点,稳定并精确地求解出雷电发生位置;该算法的计算量大于迭代方法,但比网格搜索法要大幅减小;利用PSO算法给出雷电定位初始值,再用迭代方法求解可保证计算稳定并减少计算量.     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.     

三维激光扫描拟合平面自动提取算法

在对现有的点云数据分割和拟合算法进行深入研究的基础上,指出现有算法的不足.充分利用扫描线数据自身固有的特点,提出了新的算法.对RANSAC算法进行了改进,改进后的算法既具有较好的抗差性能,又在计算效率上较现有的抗差算法有了较大的提高,且能够得到更准确的提取结果和更合理的扫描点分隔归属.提出了平面拟合计算过程中拟合直线段端点的定权算法,解决了现有算法中由于拟合直线段端点权重不同无法直接参与平面拟合计算的问题.提出了完整的细碎平面剔除规则.实例证明,利用该算法能够取得较好的点云数据拟合平面自动提取结果.     

运输路径问题的一个新启发式算法

在解运输路径问题时常常使用Clarke和Wright提出的启发式算法(下称C.W.算法)。本文对Clarke和Wright算法进行改进。改进算法的计算复杂性虽不如C.W.算法,但计算的数值结果在大多数情况下比C.W.算法的结果更好。     

空间调制信号的改进M-ML检测算法

空间调制(SM)系统的最大似然(ML)最优检测算法的计算复杂度很高,具有较低计算复杂度的M-ML检测算法受到了人们的关注.M-ML算法按照接收天线序号由小到大的顺序进行检测,从误比特率性能角度考虑并不是最佳的.通过研究不同检测顺序对算法性能的影响,提出了两个改进的M-ML算法,仿真结果表明改进的M-ML算法在误比特率性能上优于M-ML算法.由于M-ML算法在不同的信噪比下每层保留固定的节点数M,尤其在高信噪比时会造成计算资源的浪费,因此提出一种动态M-ML算法,即通过门限值自适应选择每层保留的节点数.仿真结果表明动态M-ML算法降低了M-ML算法的计算复杂度,同时性能逼近M-ML算法.     

基于FMM的Krylov子空间IGMRES(m)新算法及其应用

研究了Krylov子空间GMRES(m)算法的基本理论,提出一种基于FMM的Krylov子空间截断型IGMRES(m)新算法.给出三物体弹性摩擦接触算例,计算结果表明,所提出算法在保证计算精度的前提下,可以大大减少迭代次数,显著提高计算效率.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

分类大规模数据的核向量机方法研究

标准的支持向量机算法需要求解二次规划问题,因此,在处理大规模样本的时候,求解二次规划问题的时间复杂度和空间复杂度就成为支持向量机应用的一个瓶颈.核向量机将传统支持向量机中的二次规划问题转化为求解最小包围球问题,从而显著降低了二次规划的复杂程度.使用核向量机对大规模数据进行分类,所选用的数据样本数均超过2000,并与标准的支持向量机作了对比实验结果表明:核向量机在处理大规模数据分类时,比标准的支持向量机计算复杂度低,训练速度快,耗费空间少.     

改进的粒子群算法的小波支持向量机预警模型

将小波函数引入支持向量机核函数,同时在支持向量机的学习算法上,引入了改进的粒子群优化算法,使得支持向量机的参数得到最优解,从而建立上市公司财务困境预警模型。实验结果表明,本文提出方法的预测准确率高于普通的小波支持向量机预警模型。     

基于和声搜索算法的支持向量机参数优化

支持向量机是建立在统计学理论基础上,以结构风险最小为原则的一种机器学习算法,能够很好地解决小样本、高维数、非线性等问题,被广泛地应用于模式识别、函数估计及回归预测等领域.但是支持向量机性能的高低往往取决于其相关参数的正确选择.为提高优化参数的精度及效率,利用和声搜索算法的全局寻优能力,对支持向量机的惩罚参数及核参数进行优化选择.通过4个标准UCI数据集的仿真实验,结果表明本算法不仅减少了搜索时间,而且所获得的参数能大幅提高支持向量机的性能和预测精度,提高了泛化能力.     

基于支持向量机的城市小区燃气管网日负荷预测模型

该文使用支持向量机中的两种核函数,采用grid-search算法、遗传算法、粒子群算法优化参数,建立对吉林市某小区燃气管网日负荷预测的支持向量机模型。将日最高温度、日最低温度、日平均温度、小区人员最高年龄、小区人员最低年龄、小区人员平均年龄作为燃气管网日负荷变化密切相关的主要影响因素,分别作为支持向量机的输入量,将小区人员临时出差、小区临时增加暂住人口等随机因素作为燃气管网日负荷变化密切相关的次要影响因素,将随机因素统一归为支持向量机的一个输入量。采用[0,1]归一化方法,对作为影响因素的输入量数据与日负荷预测输出量数据进行归一化处理。对节假日和工作日的燃气管网日负荷预测采用独立处理方法,避免了相互之间的干扰影响。试验结果表明,采用径向基核函数的支持向量机预测模型对燃气管网日负荷预测拟合程度达到90%以上。     

人工冻土单轴抗压强度GA-SVM预测模型

为了预计冻结法凿井中井壁结构设计中的人工冻土单轴抗压强度,利用支持向量机在处理小样本分类学习的独到优越性及遗传算法全局并行搜索优化的特点,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度不同核函数的遗传支持向量机计算模型,并运用该模型预计了两淮地区第四系人工冻土单轴抗压强度。结果表明,多项式核函数的遗传支持向量机模型较高斯径向基核函数及Sigmoid核函数的遗传支持向量机模型较准确地预计人工冻土单轴抗压强度。该模型为人工冻土单轴抗压强度的预计提供了一条新途径。     

模拟退火算法与支持向量机在机械故障诊断中的应用

为提高支持向量机在机械故障诊断测试中的分类正确率,将模拟退火算法与支持向量机相结合,用模拟退火算法优化支持向量机核函数及其参数,再将故障特征输入支持向量机进行故障识别.诊断实例表明,该方法与传统支持向量机方法相比能得到较高的诊断精度.     

基于投影中心距离的支持向量预选取

支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。支持向量机在选择支撑矢量时却进行了大量不必要的运算, 成为其应用的瓶颈问题.因此在基于支持向量的分类器学习算法中,预先选择支撑向量是非常重要的。投影中心距离算法是一种能够预选取支撑矢量的方法, 该方法可以有效地预选取出包含支持向量的边界集,在不影响支持向量机的分类能力情况下,大大地减少了训练样本,提高了支持向量机的训练速度。本文采用投影中心距离算法进行支撑矢量的预选取,通过对人工线性、非线性数据及MINST字符库的实验证明了该方法的有效性和可行性。     

基于投影中心距离的支持向量预选取

支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法.支持向量机在选择支撑矢量时却进行了大量不必要的运算,成为其应用的瓶颈问题.因此在基于支持向量的分类器学习算法中,预先选择支撑向量是非常重要的.投影中心距离算法是一种能够预选取支撑矢量的方法,该方法可以有效地预选取出包含支持向量的边界集,在不影响支持向量机的分类能力情况下,大大地减少了训练样本,提高了支持向量机的训练速度.本文采用投影中心距离算法进行支撑矢量的预选取,通过对人工线性、非线性数据及MINST字符库的实验证明了该方法的有效性和可行性.     

Protein domain boundary prediction by combining support vector machine and domain guess by size algorithm

Successful prediction of protein domain boundaries provides valuable information not only for the computational structure prediction of multi-domain proteins but also for the experimental structure determination. A novel method for domain boundary prediction has been presented, which combines the support vector machine with domain guess by size algorithm. Since the evolutional information of multiple domains can be detected by position specific score matrix, the support vector machine method is trained and tested using the values of position specific score matrix generated by PSI-BLAST. The candidate domain boundaries are selected from the output of support vector machine, and are then inputted to domain guess by size algorithm to give the final results of domain boundary prediction. The experimental results show that the combined method outperforms the individual method of both support vector machine and domain guess by size.