巨灾风险大数据处理应急分类、分解、分拣算法与应用

本文主要研究巨灾风险大数据处理的应急分类、分解、分拣算法,给出了相应的算法原理和可操作的步骤.首先根据巨灾风险大数据灾害规模巨大的特征,提出了一种用来解决巨灾风险大数据中一级事件的应急分类与二级事件及以下更低级事件的应急分解算法,并以特大地震灾害作为实例进行了算法应用.接着定义了事故灾难度,用来对巨灾风险大数据处理过程中,对各种级别的事故灾难后果进行不同的数字标识.然后提出一种用来解决巨灾风险中大数据快速处理的应急分拣算法,并在汶川地震中大规模灾害的应急救援计划中进行应用.经过采用这样的应急分拣原理,就可以在面对巨灾风险大数据的复杂、繁多和零乱的重灾事件状态下,使整个应急救援方案优化,并能够有条不紊地进行救援.     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

基于手机的无线搜索技术

无线搜索已成为一个新的研究、开发领域.并且它主要用到信息检索、人工智能、数据挖掘、自然语言处理、排序算法等多领域的理论和技术.此外,它拥有大量的用户,有很好的经济价值,所以引起了世界各国计算机科学界和信息产业界的高度关注,目前的研究、开发十分活跃,并出现了很多值得注意的动向.     

不同小麦品种剑叶的光合速率、影响因素及其与穗重关系的研究

作者选取四川推广的主要小麦品种(系)15个，在灌浆期测定其剑叶的叶绿体含量，并分二次测定其净光合速率、胞间CO2浓度、气孔导度和蒸腾速率．收获期取样测定单穗重、收获指数和生物产量．统计分析表明，单稳重1．6g以下和收获指数46％以下的品种，灌浆前期的净光合速率、胞间CO2浓度、气孔导度和蒸腾速率较高，灌浆后期较低．单穗重1．6g以上和收获指数48％以上的品种，表现正好相反．这表明较高的灌浆速率和较长的灌浆时间有利于提高穗重和改善光合产物的分配．在灌浆初期，剑叶的净光合速率与单穗重和收获指数呈负相关或相关不显著，但灌浆后期却表现极显著正相关．净光合速率与灌浆后期的胞间CO2浓度、与前期和后期的气孔导度均呈显著正相关，但与蒸腾速率无关．这说明，净光合速率的高低与气孔因素的关系大于非气孔因素．     

二元序列的翻转与对换排序

序列的翻转与对换的排序问题因在基因组比较中的应用而受到关注．考虑二元序列的翻转与对换的排序问题，分别给出了二元序列的翻转排序与对换排序的近似算法．     

二维装配图的快递交点排序裁剪算法

提出一个任意多边形的快速交点排序线裁剪算法,该算法简单快捷,效率高,并将其成功用于工程装配图的二维消隐。解决了大多数算法将凹多边形裁剪分解为凸多边形处理存在计算时间长、难度大等问题。     

Valiant并行归并及排序时间复杂性的分析研究

深入分析研究著名的Ｖａｌｉａｎｔ并行归并及排序算法，并推导其关于ＥＲＥＷ（异步读写），ＣＲＥＷ（并发读异步写）和ＣＲＣＷ计算模型的修正的时间复杂性结果。     

DAG中最短路径简单算法

针对DAG的特点,以拓扑排序为基础,提出了解决DAG的最短路径问题的简单算法。通过理论分析,表明该算法具有理想的运算效率,其中,解决单源点问题的运算时间与E成正比,解决所有点对问题的运算时间与VE成正比。拓扑排序策略对于此类最短路径问题的研究,较传统的方法运算简单、求解直观。     

低信噪比神经元锋电位信号的分类方法

基于离散序列小波变换和主元分析，对低信噪比的神经元锋电位信号提出了新的分类方法。通过对原始信号进行尖峰检测，获得尖峰信号样本，对每个样本进行离散序列小波变换之后，再对小波变换系数进行主元分析，选取主元进行聚类，实现对原始信号的分类。将该方法应用于多电极细胞外记录的小鸡视网膜神经节细胞电活动信号分析，并据此推断出某电极附近的神经节细胞的个数。仿真结果表明，在低信噪比情况下，该方法比单纯通过小波变换进行分类的方法更有效。     

用于锋电位分类的二阶差分表示法

针对锋电位在相似度高及存在大量叠加锋电位时分类结果不理想的问题，提出了一种新的锋电位特征表示方法一二阶差分表示法．该方法对锋电位波形求取二阶差分，以二阶差分序列作为锋电位的特征信息，形成新的样本向量进行分类．该方法对Wave_clus中不同信噪水平的数据分别进行了实验．实验表明，该方法描述了锋电位波形在各个时刻的波形趋势，在一定程度上能够扩大不同类型波形之间的差异性．将此方法用于锋电位分类，尤其是叠加锋电位分类，可以提高分类准确率，并且可以有效的避免噪声的干扰．