基于起讫点的均衡交通分配改进算法

AnthonyChen (2002)提出的基于起讫点的Frank-Wolfe (ODBFW)算法, 对同一起点的所有OD对搜索最短路树, 采用one-OD-at-a-time流量更新策略, 是一种收敛性能较好的均衡交通分配算法. 主要对ODBFW算法的初始化、线性搜索及最短路搜索算法进行改进, 提出ODBFW改进算法. 将ODBFW改进算法应用于国际上同类研究常用的SiouxFalls网络及我国山东省诸城市实际道路网, 比较标准FW算法、ODBFW算法及ODBFW改进算法的可行性、效率及稳定性. 结果显示, 改进算法效率较标准FW算法有显著提高, 稳定性较好. 在小型测试路网上改进算法较ODBFW算法达到收敛的时间减少近15%, 在大型测试路网上减少近5%.     

基于免疫聚类算法的离群数据挖掘

离群数据挖掘是数据挖掘研究的重要内容,在实际生活中获得广泛应用.论文结合了免疫算法全局搜索的优点和K-均值方法局部收敛速度快的特点,提出了一种基于免疫聚类算法的离群数据挖掘方法,有效地克服了传统聚类方法对初始化敏感、容易陷入局部最优等缺点,使聚类结果能够快速收敛到全局最优,有效地检测离群数据.实验结果表明,该方法实用有效的.     

基于改进的VI-CFAR算法的分布式CFAR检测

VI-CFAR是一种结合CA-CFAR，GO-CFAR和SO-CFAR的检测算法，它在均匀环境和非均匀环境下都具有较强的自适应性。在前后沿滑窗均存在干扰目标情况下，采用有序统计平均（OSCA）CFAR替代SO-CFAR，有效的提高了Ⅵ-CFAR在这种多目标环境下的鲁棒性．研究了采用改进的Ⅵ-CFAR算法作为局部检测器的并行分布式CFAR系统，融合准则采用“与”融合和“或”融合准则。给出仿真结果，并进行了讨论。     

高维离群检测算法及其应用

离群检测的目的在于找出隐含在海量数据中相对稀疏而孤立的异常数据模式.由于高维数据的特殊性,传统的离群挖掘算法往往不适合发掘高维空间中的离群点.本文将蚁群算法用于改进超图模型,提出了一种新的离群检测算法--AHHDOD算法,在检测出离群数据模式的同时给出离群点的归属.经检验,该算法能有效收敛于最优解,且其时间复杂度更低.最后,将该方法应用于矿难预警检测中,能对可能出现的危机状况给出预警提示.实验证明,该方法取得的预警结果是可信的和可接受的.     

基于微粒群和子空间的离群数据挖掘算法研究

传统的离群数据挖掘方法大多数是利用全局的观点看待离群数据,很难发现低维子空间中的偏移数据.利用微粒群算法(PSO)具有简单,容易实现并且没有许多参数需要调整等优势,提出了一种基于PSO和子空间的离群数据挖掘算法(OM-PSO).该算法首先将子空间看作微粒,根据偏离数据所在子空间的稀疏系数,采用带有变异算子的PSO算法来搜索子空间,并将子空间中的数据看作为局部偏离数据,即离群数据;最后采用离散化的天体光谱数据作为数据集,实验结果验证了该算法的有效性.     

一种用于轮廓线探测的CNN改进算法

图像中目标物体的轮廓探测是目标识别和计算机视觉系统的第一步也是关键一步。提出了一种基于细胞神经网络(Cellular Neural Network,CNN)的轮廓线探测改进算法。该算法中CNN模板参数(模板系数)是根据局部窗口内各像素与中心像素间的灰度和空间关系计算的,即模板参数的计算不仅考虑了局部窗口内各像素与中心像素的灰度值差异,而且顾及了窗口内各像素与中心像素间的空间距离。实验结果表明,相对于其它两种轮廓探测算法,提出算法的探测效果较好。     

一种小波网络的改进算法研究

将基于MGS算法的NARMAX模型结构与参数辨识的一体化算法和小波网络相结合,提出一种改进的小波网络学习算法.该算法基于数值稳定的MGS正交化方法对小波基进行优选,同时在迭代过程中不要求存储设定小波网络模型的整个参数回归矩阵,避免存储困难.同时采用[err]准则来初选小波网络的结构模型,采用[ERR]准则来剔除由[err]准则误选的冗余项.仿真结果表明,利用该算法设计得到的小波网络具有较小的存储量和较小的网络规模.     

基于改进遗传算法的装备调配

针对装备调配问题,构建了多约束条件下的多目标模糊指派模型,并通过改进传统遗传算法中初始种群产生以及种群选择、交叉、变异的机制,设计了一种求解此模型的快速收敛遗传算法。最后,通过对一个装备调配案例进行仿真实验,结果表明该算法收敛速度快,容易得出最优解,符合装备保障指挥的实际需求。     

基于网络权重的多社团网络结构划分算法

利用社团网络的统计特性,提出一种适于社团网络线性时间复杂度的多社团识别算法.构造复杂网络中节点的权重计算函数,进而生成计算序列,用迭代算法对复杂网络各种类型的节点进行集合分配.通过多个不同规模的网络结构数据对算法的性能进行测试,实验结果表明该算法时间复杂度为线性,能够在较短时间内对复杂网络中的社团数和社团结构进行发现,该算法还表现出对不同密度网络社团识别良好的适应性.     

一种基于图像空间的碰撞检测算法

根据光线与封闭物体间的相交特性,设计并开发了一种基于图像空间的碰撞检测算法。采用VBO技术提高图形渲染速度以提高算法的性能。利用待测物体对的轴向包围盒（AABB）设置合理的视锥和视口,减少图形的绘制量,进一步提高算法性能。测试结果表明,该算法可以直接处理非凸体,处理复杂模型的碰撞检测问题实时性好、平稳性高,但是其性能受到分辨率的影响。最后讨论了将该算法扩展到多个物体间进行碰撞检测的实现策略。     

基于节点相似性的LFM社团发现算法

传统的局部适应度社团发现算法(LFM)在社团结构模糊的网络中精度下降严重。针对此问题,提出LFMJ算法。利用邻居节点信息和改进的杰卡德系数重构网络,使网络结构更为清楚,社团划分结果更为准确。为验证算法,选择了5种算法在LFR网络和真实网络中进行测试,包括LFMJ、LFM和传统的LPA算法以及性能较好的WT和FUA算法。结果表明:在标准LFR网络中,LFMJ精度高于LFM和LPA,与FUA和WT相当;在真实网络和具有重叠结构的LFR网络中,LFMJ精度优于其他4种算法。