基于Douglas-Peucker的矢量数据压缩算法

由于Douglas-Peucker算法未考虑空间对象间的拓扑关系,易造成矢量空间数据压缩后的面状地物公共边出现“裂缝”现象,出现失真问题。针对该问题,该文提出了Douglas-Peucker一种改进算法,通过实验验证,改进的算法不仅能较好地保留图形特征,而且提高了压缩精度。     

基于面积保持的Douglas-Peucker改进算法的多边形化简

面状数据的化简是空间数据多尺度表达和制图综合必须处理的关键问题,有些面状的地理要素要求简化前后面积保持一致,并且不破坏原来的拓扑关系.因此必须对原有的线化简算法做适当的改进.提出对要化简的多边形根据其与相邻多边形的邻接关系,对邻接线段分别化简,以保持原来的拓扑关系;并在采用Douglas-Peucker算法化简时,加入面积平衡的约束条件,构造"平衡线",使化简前后保持面积一致.通过对实验数据化简结果的分析,改进的算法能很好保持化简前后面积及拓扑的一致性,但较Douglas-Peucker算法化简结果,其化简率较小一些.     

Visual C＋＋实现联机手写汉字笔画关键点的提取

介绍了矢量曲线数据压缩算法-Douglas-Peucker算法,使用Visual C＋＋编程实现了按笔画联机手写汉字的笔画信息的获取,并应用Douglas-Peucker算法解决了联机手写汉字笔画关键点的提取．     

矢量曲线特征点提取方法的改进

矢量曲线压缩在地理仿真、地图数据库建设及地理信息研究中具有重要的意义。分析了GIS中矢量数据的传统压缩算法—道格拉斯-普克（Douglas-Peucker）数据压缩算法，传统的压缩算法编程复杂，运算速度慢。本文提出了一种较为简单的特征点提取方法，该算法通过计算相邻矢量数据的斜率，以斜率之差为约束条件，通过在MATLAB7.0上的仿真实验，该算法在提取矢量曲线特征点的过程中比Douglas-Peucker算法更为简单，对复杂曲线的特征点提取也非常准确。     

医学图像三维重建中的关键算法

本文主要讨论了基于序列图像的三维重建中的两个关键算法:特征数据点列的重采样算法与三角化算法.本文把Douglas-Peucker线性简化算法应用在特征边界的重采样上,数据的压缩比得到了明显的改善,也显著地提高了可视化处理速度.并使用一种简单的三角化算法,对重采样后的数据点列进行三角化,实现目标的三维重建.     

基于World Wind矢量数据压缩的研究与实现

矢量数据的压缩对于数据网络传输以及提高整个可视化系统的效率来说是一项很莺要的工作.本文对现有曲线矢量数据压缩算法进行比较,着重分析了曲线矢量数据压缩的Douglas-Peucker算法及相关理论,给出了该算法的递归实现,并在World Wind环境中实现了Shape格式文件的快速显示.实验结果证明,经过压缩后的矢量数据兼顾存储空间和显示精度,提高了World Wind应用效率.     

保持拓扑一致性的等高线化简算法研究

等高线的化简是地图综合中的一个重要问题。而拓扑一致性的维持是化简的难点,应用常规的Douglas-Peucker算法可能引发相交和自相交。引入了基于约束Delaunay三角剖分和自适应单调链的等高线拆分算法,并在理论上证明了对拆分后的子曲线化简将不会产生拓扑异化。在实验中,该算法能将数据量压缩至10％,并依然未产生相交和自相交。     

矢量曲线特征点提取方法的改进

矢量曲线压缩在地理仿真、地图数据库建设及地理信息研究中具有重要的意义.分析了GIS中矢量数据的传统压缩算法-道格拉斯-普克(Douglas-Peucker)数据压缩算法,传统的压缩算法编程复杂,运算速度慢.提出了一种较为简单的特征点提取方法,该算法通过计算相邻矢量数据的斜率,以斜率之差为约束条件,通过在MATLAB7....     

大比例尺跨度下的线要素综合数据处理

线要素综合是制图综合领域中最主要的研究领域,虽经历几十年的发展,仍经久不衰。本文依据Douglas-Peucker算法,在比例尺跨度较大的情况下对线要素进行了综合,然后对综合后数据进行了平差处理。通过对原始数据与平差后数据的比较,得出了相关结论。     

简述WebGIS中的矢量数据压缩方法

为了提高WebGIS的传输速度,除了对WebGIS的数据结构和模式进行改进外,在电子地图建库时对空间数据进行压缩也是同样重要的。详细介绍了矢量数据压缩的Douglas-Peucker法和基于小波变换的方法,为建立电子地图数据库矢量数据压缩提供了参考。     

LLR-BP算法的简化译码算法研究

研究了基于Gallager方案的LLR-BP算法及其简化的译码算法,应用Matlab仿真比较了基于Gallager方案的LLR-BP算法及其三种简化译码算法的性能,仿真结果表明:基于Gallager方案的LLR-BP算法与归一化BP算法和偏置BP算法的误码率性能相差不多,当信噪比大于2dB时,归一化BP算法和偏置BP算法比基于Gallager方案的LLR-BP算法的误码率性能稍好,最小和算法误码率性能相对最差。     

一种从自由飞行实验中提取空气动力系数的新方法

该文提出从飞行体自由飞行试验中提取空气动力系数的新方法－－Ｍａｒｑｕａｒｄｔ改进法。Ｍａｒｑｕａｒｄｔ法综合了Ｃｈａｐｍａｎｎ－Ｋｉｒｋ渚最速下降法的优点而避开了它们的缺点，是一种比较好的数据处理方法。Ｍａｎｑｕａｒｄｔ改进法既继承了Ｍａｒｑｕａｒｄｔ法的优点，又大大地减少了计算工作量，是一种收敛快的迭代算法，最后，给出了在靶道实验数据处理中的计算实例。     

基于混合遗传算法的多约束组播路由优化算法

针对目前多约束组播路由算法中存在的算法复杂,不能求出其精确解和运算量大,解不稳定等问题提出了一种新的组播路由优化算法,其核心是采用改进的遗传算法。该算法采用模拟退火算法与遗传算法相结合的方法,编码采用实数编码结构,交叉和变异概率适当选择,合理设计适应度函数。仿真结果表明,该算法是有效的,稳定的,比传统遗传算法性能优越,具有较强的实用性。     

基于马氏距离的模糊聚类优化算法——KM-FCM

为了解决以欧氏距离作为相似性准则的传统模糊聚类算法对多维数据处理不利的问题,采用马氏距离代替欧氏距离,对基于马氏距离的模糊聚类算法进行优化研究,以增强基于马氏距离的模糊聚类算法的聚类效果和能力。通过构造启发式搜索与k-means算法结合的初始优化方法,利用可以自动调节最佳聚类数的有效性函数,提出了一种优化算法KM-FCM,并将此新算法与FCM,FCM-M,M-FCM聚类算法在3个标准数据集上进行了实验。结果表明,KM-FCM算法有效,聚类精度比FCM,FCM-M,M-FCM高,对高维数据聚类识别能力强,具有全局优化作用,并且聚类个数无需提前设定。新算法可为基于马氏距离的模糊聚类算法的优化提供参考。     

一种基于量子遗传算法的多播路由算法

提出了一种基于量子遗传算法QGA（quantum genetic algorithm）解决多播QoS（quality of service）路由问题的算法．介绍了量子遗传算法的基本原理，给出了算法实现的方法和具体流程，并进行了量子遗传算法在多播路由选择优化方面的仿真实验，证明了量子遗传算法优于常规遗传算法．     

置换密钥矩阵加密算法的改进

提出了对分组加密算法(RKM)的改进,主要包括密钥进化算法、特征因子子矩阵和密钥的分发与更新算法.密钥进化算法是特征因子子矩阵生成算法和密钥分发与更新算法的基本组件,由一个16字节的单字节数组(称为进化指针)和一个密钥矩阵计算一个新的密钥矩阵.特征因子子矩阵是把128 bit矩阵特征因子作为进化指针代入密钥进化算法计算而得.在引入特征因子子矩阵的基础上对算法流程进行了改进,使算法的加、解密完全对称.在不降低算法安全性的基础上减少了4轮异或运算,从而降低了运算量.在密钥进化算法的基础上设计了密钥的分发与更新算法,使算法无需每次传输密钥矩阵就能共享.     

基于局部对称性及灰度统计特征的人眼定位方法

为了兼顾人眼定位方法的准确率和实时性,提出基于局部对称性和灰度统计特征的人眼定位方法。该方法结合了模板匹配与对称变换的思想,利用了人眼灰度统计信息,取得了较好的效果。通过仿真实验表明:算法在满足算法定位准确率的同时,具有较好的实时性,因为其算法复杂度相对于模板匹配法和基于学习的方法大大降低。     

神经网络在多传感器多目标跟踪中的应用

首先研究了基于粗关联和精关联过程的多传感器多目标(MSMT)跟踪融合算法，精关联是联合概率数据关联(JPDA)算法的推广，JPDA算法存在随传感器数和目标数的增加而计算量迅速增加的缺点；其次提出了一种基于神经网络的MSMT联合概率数据互联(MNJPDA)算法，MNJPDA算法能克服计算量爆炸问题，基于MNJPDA的融合算法能提高跟踪的快速性．仿真结果证明了MNJPDA融合算法的有效性．     

物联网密文数据访问中可撤销的混合加密控制算法设计

针对物联网密文数据访问中用户隐私数据的安全性与数据应用操作效率要求之间的矛盾问题,提出一种新的可撤销的混合加密控制算法。介绍了对称加密算法,根据物联网密文数据访问中用户录入的指纹,通过数据特征提取过程、模板生成过程以及密钥生成过程生成可撤销密匙。介绍了公钥加密算法,给出物联网密文数据访问中公钥加密算法加密过程。对对称加密算法和公钥加密算法的性能进行对比,将二者结合在一起形成可撤销的混合加密控制算法。将椭圆加密算法和AES加密算法作为对比进行测试,结果表明所提算法效率高,对明文和密钥有较高的敏感性。     

基于蝙蝠算法的K均值聚类算法

为解决传统 K-means 算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题, 采用蝙蝠算法搜寻 K-means 算法的初始聚类中心, 并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中, 以克服原始蝙蝠算法存在后期收敛速度慢、 搜索力不强等问题。 同时, 通过测试函数验证了其有效性。 最后利用改进后的蝙蝠算法优化 K-means 算法的初始聚类中心, 并将该改进的算法与传统的 K-means 算法的聚类结果进行了对比。 实验结果表明, 改进后的算法的聚类性能比传统的 K-means 算法有很大提高。