一种基于密度的改进KNN文本分类算法

KNN算法是一种应用广泛的人工智能算法,在文本分类应用中,简单有效,易于实现．但是,KNN分类的时间复杂度与训练样本数量成正比,而且,训练样本分布密度的不均匀性将导致分类准确性的下降．本文在KNN算法的基础上,提出一种改进算法．算法分析了训练样本的分布密度,通过裁减高密度区域训练样本,降低样本数量,调节训练样本分布,达到提高分类准确性的目的．实验证明,基于密度的改进KNN文本分类算法在降低时间复杂度的同时,还具有较好的准确率和召回率．     

基于支持向量机的数字水印算法综述

对基于支持向量机的数字水印算法做了概要性的介绍,由于支持向量机可以通过有限的训练集样本得到小的误差,从而提高学习的泛化能力,因此支持向量机在版权保护领域有很好的应用效果．对基于支持向量机的数字水印技术的相关概念和现有算法进行了描述与分析,另外,对基于支持向量机的数字水印技术的未来发展方向和前景进行了预测．     

一种改进的人工蜂群算法优化的支持向量机

为了改善现有支持向量机(Support Vector Machine)的机器学习效果依赖于参数选择,而参数选择通常依赖于经验的问题,在现有基础上,本文结合一种称为骨架人工蜂群算法(Bare-bones Artificial Bee Colony)的改进的人工蜂群算法对支持向量机的2个参数进行优化,并对该优化结果进行试验。试验结果表明,改进的支持向量机的准确率、识别速度均优于原本的支持向量机。     

基于峭度的FastICA改进算法

独立分量分析(ICA)是信号处理技术的新发展,而FastICA 是独立分量的一种快速算法,因其收敛速度快而备受关注,但存在步长μ选取不当可能导致算法收敛速度减慢甚至不收敛的问题,本文提出了一种改进的优化学习算法,在牛顿迭代方向上增加精确线性搜索,从而使得算法的收敛性不依赖于μ的人为选择.将改进的FastICA算法应用到语音信号处理中,结果表明该方法迭代次数大大少于FastICA算法,具有收敛速度快的特点.     

基于J-UNIWARD的改进隐写算法

为了进一步提高自适应隐写算法的安全性,本文引进图像分块的思想,改写了原J-UNWARD算法的失真函数,变加性失真函数为非加性失真函数.载体图像被分为4个子块,分别计算每个子块的纹理复杂度以嵌入总量不变为约束条件,优先嵌入复杂度较大的块,每嵌入一块完成后重新计算失真函数,根据复杂度大小动态调整每个子块的嵌入量.利用STC...     

激光点云线性KNN算法FPGA实现及加速

针对三维激光点云线性K最近邻（K-nearest neighbor, KNN）搜索耗时长的问题,提出了一种利用多处理器片上系统（multi-processor system on chip, MPSoC）现场可编程门阵列（field-programmable gate array,FPGA）实现三维激光点云KNN快速搜索的方法。首先给出了三维激光点云KNN算法的MPSoC FPGA实现框架;然后详细阐述了每个模块的设计思路及实现过程;最后利用MZU15A开发板和天眸16线旋转机械激光雷达搭建了测试平台,完成了三维激光点云KNN算法MPSoC FPGA加速的测试验证。实验结果表明：基于MPSoC FPGA实现的三维激光点云KNN算法能在保证邻近点搜索精度的情况下,减少邻近点搜索耗时。     

基于模糊支持向量机的多标签分类方法改进

One-against-all支持向量机的多标签分类存在将样本分类到训练集无法获取标签的"未定义"区域和没有明确决策函数的标签模糊区域的问题。对此提出一种基于模糊支持向量机的多标签分类改进方法(FSVMi)。该方法通过将多条决策边界合并,并为每个标签类分配相应的隶属函数。实验结果表明,相比于现有方法,该方法更具有优越性。     

基于改进的Apriori算法的教学质量分析

提出一种改进的Apriori算法，分析教学效果与教师的性别、年龄、职称和学位等因素关联，为教学部门提供决策支持信息，更好地提高教学质量。     

基于权重的改进K-means算法应用研究

数据聚类是将数据对象划分到不同的类或簇中,是数据挖掘中的一项重要技术.教育领域拥有海量的学生信息数据,把数据挖掘中的聚类技术引入其中,具有很强的实际价值.阐述了运用数据挖掘中改进的引入权重的聚类技术对成绩数据进行选择、预处理和挖掘分析等,展示了3个Matlab实验使成绩数据如何通过K-means算法进行聚类分析,并对3种运行结果的意义各自进行了显示与分析,同时指出了运行结果的不足及意义.针对学生实验中的分类原因进行了研究并在学生成绩分析中发现很多隐含着的不易发现的有价值信息,利用这些聚类结果提出了相应的教学措施及建议,从而有针对性地提高教学质量.     

基于改进FDR算法的SOC测试编码方法

针对集成电路测试数据的特点,提出一种改进FDR压缩、解压算法.它采用对预先计算的测试集中的"0"和"1"的长度进行交替编码的方式来压缩测试集,提高了编码效率.提出的测试数据压缩方案的解码器硬件结构非常简单,并提出了一种基于有限状态机的FDR解压缩算法的实现方案,只需极少的电路资源即可实现.仿真实验结果表明,改进FDR编码算法的数据压缩效果在大多数情况下,优于游程编码和FDR编码.     

一种基于神经元的PID改进算法

将常规 PID控制与基于神经元的BP神经网络控制相结合,发挥各自的优势,形成一种新的基于神经元的PID控制算法.采用这种结合神经网络和PID方法设计的控制系统具有更快的速度(实时性),更强的适应性和更好的鲁棒性.     

基于属性值贡献率的朴素贝叶斯改进算法

朴素贝叶斯分类是一种简单高效的方法.但是当属性独立性假设不成立时,有可能导致待测样本类别判断错误;且当待测样本到各类别的概率相同时,无法判断该样本类别,从而影响了它的分类准确率.本文提出基于属性值贡献率的朴素贝叶斯改进算法,利用待测样本的各个属性值在各类别的总贡献率判别该样本的类别.在蘑菇数据实验结果表明,该算法能有效提高分类的准确率.     

一种基于峰谷滤波的改进算法

在峰谷滤波的基础上提出了一种新的改进算法,首先在噪声污染图像的滤波窗口中去除除中心象素外的最大最小灰度值象素,然后利用中心象素与修改后的邻域进行比较以判断其是否为噪声点.理论分析和图像处理仿真实验表明,改进后的滤波器性能得到较大改善,在有效去除噪声的同时能充分保留原图像细节信息.     

基于单纯形法的人工蜂群算法改进研究

人工蜂群算法中的侦察蜂阶段的搜索操作在一定程度上可以解决算法陷入局部最优的问题,但也和其他启发式优化算法一样,存在着局部搜索能力差,在接近最优解时搜索效率下降,以及求解复杂问题时可能陷入局部最优而使算法停滞等缺陷.为了改善此缺陷,采用NM 算法来取代人工蜂群算法侦察蜂阶段的随机产生个体机制,提出了一种基于NM 算法的改进人工蜂群算法（NMABC）.希望基于NM 算法优异的局部搜寻能力,改善人工蜂群算法局部搜索能力较差之缺陷并提高搜索效率.     

基于改进QEM的三维表面模型简化算法

当前智慧城市中表达三维场景需对模型构建不同层次的细节模型,因此需要对三维模型进行简化,压缩模型数据量.针对简化过程中会破坏模型部分细节特征的问题,提出了一种改进QEM的三维表面模型简化算法,简化时引入顶点邻域面积、各顶点曲率及平展度加权3个简化因子,改变边的折叠代价,并建立最小堆结构优化算法效率.该算法在Visual ...     

基于级连式支持向量机的文本自动分类算法

为了解决文本自动分类问题,从解决支持向量机模式支持限制问题入手,以级连概念为指导思想,构造了多层级连式支持向量机模型,提出一种文本自动分类算法,以便处理多个模式的分类问题。由于支持向量机本质上是一种非线性数据处理工具,对于复杂的两类模式分类问题已表现出良好的适应性,而且支持向量机用于模式识别不存在局部极小值问题,且不需进行网络迭代训练,求解速度明显高于神经网络。通过以CNKI文档数据为例进行算法实践,试验结果表明支持向量机用于模式分类的实现步骤比较简单,不需要长时间的训练过程,只需根据初始样本在空间的分布特性求解最优超平面(即找出支持向量),进而确定决策函数,然后即可泛化推广识别其他待识别的同类样本。     

一种基于因果网络的支持向量回归特征选择算法

为了提高支持向量回归算法的学习能力,提出了一种基于因果网络的特征选择算法.该方法假设目标变量和特征候选集之间符合一个因果网络模型,然后利用基于条件独立性测试的方法对目标变量的直接影响特征进行识别,从候选特征集之中获取与目标变量有着直接因果关系的特征子集.虚拟和真实数据集上的实验结果表明,该特征选择算法适用于支持向量回归算法,优于目前其他算法.     

基于遗传算法和覆盖率驱动的功能验证向量自动生成算法

提出了一种基于遗传算法和覆盖率驱动的RTL(register transfer level)代码功能验证向量自动生成算法.其特点是自动反馈覆盖率信息,构成一个闭环系统;用遗传算法动态分析覆盖率信息,自动生成针对性更强的验证向量.在SoC(syetem on chip)的模块验证中采用了该方法来自动生成验证向量;与受限随机生成方法相比,能快速达到覆盖率目标,缩短验证周期.     

基于DBLP的中心作者近似挖掘算法的研究

作者协作关系建立在作者协作图的基础上,挖掘出图上最重要的点即中心作者的研究是其中的一个重点.随着协作图的不断扩大,一般的挖掘算法已经不能适应大型图的挖掘,因此,通过DBLP上数据建立的作者协作图,提出了一个根据点的度随即选取估算点进行中心作者挖掘的DegRan近似算法,并改进Random近似算法与DegRan近似算法进...     

基于蚁群优化算法的QoS多播路由算法改进及实证

多QoS约束的组播路由技术是当前实现分布式网络多媒体的关键技术,蚁群算法是解决多QoS约束组播路由问题的一种启发式算法,但大多算法仍属于集中式算法.该文提出了一种基于蚁群优化的分布式QoS多播路由算法,并结合多播路由问题的特点对算法进行了改进.通过仿真实验讨论了该方法的性能,并与传统的蚁群算法对比,证实了其的有效性.