有向基因组间重组距离的线性时间计算

讨论基于基因组中染色体之间的移位、染色体内部的翻转、融合和分裂的基因组排序问题,给出了计算两个有向多重基因组重组距离的线性时间算法.     

基于基因次序的基因组问距离的计算

给出了计算两个具有相同内容、不同次序的基因组之间距离的算法.给定一组内容相同、次序不同的基因组,构造一个完全图,寻找一个基因组使得它与给定的各个基因组之间距离的累加和达到最小,这个问题可以转化为偈P问题.利用最小生成树方法找到一个中心基因组,接下来构造断点图,最后利用断点图来计算集合中的每一个基因组和中心基因组之间的距离.     

基于翻转和删除形式的染色体完美重组

研究了基于翻转和删除形式的染色体完美重组问题,并给出了多项式算法。     

图平均距离的一个上界

设Ｇ为ｎ阶简单图，ｄＧ（ｕ，ｖ）记为顶点ｕ，ｖ之间的距离，称Ｄ（Ｇ）＝（Σｕ≠ｖｄＧ（ｕ，ｖ）／（ｎ２））为Ｇ的平均距离。本文给出了用Ｇ的顶点数和连通度表示的图平均距离的一个上界     

计算两个凸多面体间距离的一个新算法

文章讨论了计算两个凸多面体间的距离的问题。首先分析了不相交凸多面体间的距离的特点，证明了该距离恰是其公垂线段的长度，再利用正交投影把确定此距离转化为一个优化问题。给出了此优化问题的两种解法——5变量的线性观划算法和2变量的区域搜索算法，并对计算复杂性进行了分析。该方法的优点是存储量小，只需存储凸多面体的顶点信息，并可推广来确定移动凸多面体间的距离及一个凸多面体的最大(小)跨度。     

基于OpenGL的复杂多面体模型间距离计算及碰撞检测

提出了一种基于图形空间,利用OpenGL选择模式实现复杂多面体模型间距离计算及碰撞检测的新方法.可用于计算任意多面体模型上的所有顶点沿法向到目标多面体模型的有符号距离,并判断模型间的碰撞情况.以上下颌牙齿多面体模型为例,计算出了上颌模型顶点到下颌模型的距离,并以上颌模型的距离图显示,以此为依据,分析了模型间碰撞情况,验证了新方法的有效性.最后对该方法的运算效率进行了分析.计算得到的距离图在口腔修复体牙合面间碰撞区域的识别及标准冠牙合面调整等方面得到了较好的应用.     

几乎完全二部图的距离标号边跨度

研究几乎完全二部图(即完全二部图K_(n,n)去掉一个1-因子)的L(1,1)和L(2,1)边跨度.基于图的L(1,1)跨度确定了L(1,1)边跨度.通过给出具体标号得到图的L(2,1)边跨度的上界,进而利用反证法确定了L(2,1)边跨度的确切值.     

一个距离集D是3类子集的充分条件

本文给出了两个距离集D是3类子集的充分条件     

空间二异面直线间距离的一个公式

利用平面束,给出了空间二异面直线间的一个距离公式。     

涉及距离的n-因子-临界图的一个充分条件

证明了如下结论：设G是p阶连通图，其中p≡n（mod2）且n＜p，如果对满足条件d（u,v）＝2的任意点集{u,v}包含于V（G），有d(u) d(v)≥p n-1，则G是n－因子－临界图。     

基于曲线推进的符号距离函数生成方法

目的构造水平集方法中所采用的符号距离函数,以提高曲线演化算法的速度。方法通过对水平集曲线形状的分析,给出了曲线内外点的判断方法,然后以距离等于1为步长推进边界,同时进行邻域最近点扫描,寻找任一网格点在曲线上的最近点,从而给出该点到曲线的距离。结果内外点的判断以及符号距离函数的构造均只需要经过图像的一次扫描即可给出结果,计算复杂度为O(N)。结论数值实验分析结果表明,新的方法计算稳定,比其他方法速度快。     

基于云有序概念层次树的时间序列距离计算模型

时间序列是一类广泛存在的、重要的复杂数据.时间序列的知识发现成为知识发现的研究热点之一.而时间序列间的距离计算是很多时间序列知识发现的核心.针对目前时间序列距离模型的不足,基于云的时间序列线性形态表示,提出一种新的时间序列距离计算模型———基于云有序概念层次树的时间序列距离计算模型.该计算模型具有如下优点:允许时间序列存在某种程度的变形,能在一定程度上消除噪声、数据中的不连续性、偏移性和漂移性;用户可在比较时间序列距离时控制距离计算颗粒度;有效、简洁直观、易于理解.       

单圈图离散数的一个算法

文章通过将单圈图的离散数的计算问题转化为树或圈的离散数计算问题，提供了一个单圈图的离散数的计算方法。     

A distance regular graph of type E1 Ed

In this note, the distance regular graph of type E1 Ed is considered and some characterization of the type graph is given. The results generalize the characterization of tight distance regular graphs.     

一种改进的本体概念相似度计算算法

概念相似度研究是知识表示以及信息检索领域中的一个重要内容。根据概念之间错综复杂的关系,可将本体结构看成一个有向无环图。从多个角度出发考虑各种影响有向边权重的因素,通过计算有向边在本体层次图中的相对重要性计算本体中任意两概念的语义距离,由此得到它们的语义相似度。实验结果表明:该方法具有很高的效率。     

协方差测距算法在多维聚类分析中的优化研究

为了在多维聚类分析中运用有效距离度量方法表征数据对象的邻近度,提出一种协方差测距（covariance distance measure analysis,CDM）算法,首先,采用模糊C均值(fuzzy c-means,FCM)方法对数据对象赋予权值,得到每个样本点相对类别特征的隶属度,再依据隶属度计算每个样本的差异度;其次,为了使类别分离最大化,用样本点同关联类别的协方差距离度量代替模糊聚类中欧式距离度量作为优化问题的第一个标准,使相似数据对象更为接近;最后,用样本点间的协方差距离度量作为第二个优化标准,使相异数据相互隔开,交替固定变量迭代计算最优解,使聚类指标和距离度量学习参数同时得到优化,获得更好的聚类结果。在不同数据集上的实验结果表明,与FCM-Sig和UNCA算法相比,CDM算法在聚类准确性和算法收敛性方面均有更好表现。     

A modified image matching algorithm based on robust Hausdorff distance

Hausdorff distance measure is one of the widely adopted feature-based image matching algo- rithms due to its simplicity and accuracy. However, it is considered that its robustness still needs to be improved. In this paper, various forms of original and improved Hausdorff distance （HD） and their limitations are studied. Focusing on robust Hausdorff distance （ RHD）, an improved RHD with an adaptive outlier point threshold selection method is proposed. Furthermore, another new form of the Hausdorff distance which possesses the merits of RHD and M-HD is prsented. Finally, a recur- sire algorithm is introduced to accelerate the image matching speed of Hausdorff algorithms. Exten- sive simulation and experiment results are presented to validate the feasibility of the proposed Haus- dorff distance algorithm.     

"起-停"巡航控制系统的纵向车距控制方法

针对单一设计距离控制中出现的速度滞后问题,综合考虑速度和距离的控制,提出了一种基于"起停"巡航控制系统的纵向车间距控制器设计方法。该控制器的设计中引入了控制因子,建立了兼顾速度和距离控制的目标性能函数,并对控制因子的取值作了讨论。通过理论分析和仿真实验表明,所提出的控制方法使速度滞后的问题得到改善,同时控制器对质量具有鲁棒性。     

基于偶对约束和马氏距离的半监督模糊聚类算法

研究了基于偶对约束的半监督模糊聚类,将马氏距离引入到半监督模糊聚类SCAPC(semi-supervised fuzzy clustering algorithm with pairwise constraints)中,获得了一种新的半监督模糊聚类目标函数,通过求解优化问题,提出了一种基于偶对约束和马氏距离的半监督模糊聚类算法M-SCAPC(Modified-SCAPC).针对选择的标准数据集和人工数据集,对提出的算法M-SCAPC进行了实验研究,并与FCM(fuzzy C-means)、AFCC(active fuzzy constrained clustering)和SCAPC算法的聚类性能进行了比较,表明了提出的算法M-SCAPC在收敛速度和正确率方面的有效性.     

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。