鲁棒性模糊C-均值聚类算法

针对模糊C-均值聚类算法(FCM)在参数输入受人为限定,且在系统应用中易受噪声或孤立点数据的干扰等缺点,提出一种鲁棒性FCM聚类算法(RFCM),以降低噪声或孤立点的影响。     

基于小波变换与野草算法的细胞图像特征提取与识别

本文在细胞图像小波多尺度分解的基础上,提出在小波域中进行细胞图像特征提取的方法。针对基于小波变换提取的细胞图像特征向量维数过大、冗余等问题,提出一种基于小波变换与野草优化算法相结合的细胞图像特征的提取方法,最后利用BP神经网络作为分类器进行细胞图像识别。计算机实验仿真结果表明,与现有的未进行特征优化的细胞图像特征提取识别方法相比,本文细胞图像特征提取、分析、识别方法所需时间更短,识别正确率更高,实时性、鲁棒性能更好。     

大规模并行分布式P2P算法模拟器设计与实现

为精确地分析和评估对等（P2P）算法的性能,在并行分布式网络模拟器的基础上,设计并实现数据包级的通用可扩展P2P算法模拟器．该模拟器可实现达万级节点的大规模P2P算法仿真．模拟器采用分层框架结构,包括P2P用户模拟层、P2P算法模拟层、P2P传输模拟层和并行分布式连接层,并完成对传输层UDP和TCP套接字扩展、改进,将P2P应用层算法控制消息解析与网络层数据分片传输相结合,支持大规模P2P实时和非实时算法．结合BitTorrent阐明本模拟器的设计与实现,达到万级节点的模拟实验结果验证本模拟器的正确性和有效性．     

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上,提出了一种改进的BP学习算法,先加入描述网络复杂性的量,使算法能够考虑到网络的连接复杂性,进而有可能删除掉冗余的连接甚至节点;接着提出对网络的学习步长的动态调整,以此来尽量避免传统学习中的学习速度过慢和反复震荡;然后给出新的算法是高阶非线性收敛的证明;最后通过实验说明的新的BP算法在一定程度上可减少网络的复杂性,有着比传统算法更快的收敛速度。     

碰撞模拟过程中焊点的影响

叙述了有限元分析中主要的焊点处理方式,提出碰撞模拟中常用的模拟方法,对常用的焊点模拟算法进行了分析,以某国产轿车整车碰撞模拟为例,提出在碰撞模拟中必须考虑焊点断裂特性,否则将大大降低碰撞模拟的精度。     

混合遗传算法求解车间作业调度问题

分析了生产调度问题,提出一种更为有效的动态混合遗传算法,成功地解决了复杂的FT10×10问题.研究过程中引入自适应遗传算法思想,结合一种能够很好解决调度问题的编码规则和适应度值函数,对该算法进行了详细分析.为防止在遗传操作过程中非法染色体导致程序运行失败,给出了非法染色体合法化的规则.仿真结果表明,该算法和编码规则非常适合调度问题,且所提出的动态混合算法优于其它算法.     

一种改进的非结构P2P资源搜索方法的研究

为了改进非结构P2P网络中搜索机制效率低下的问题,提出了一种新的非结构P2P网络资源搜索方法.在Gnutella泛洪搜索的基础上,利用蚁群算法的信息素的思想,指导资源搜索的方向,从而减少了消息信息量,提高了搜索速度.模拟实验表明该模型对搜索请求具有较高的效率和准确性.     

一种适用于Ad Hoc网络路由的启发搜索技术

提出了一种基于地理位置信息的启发式Ad Hoc网络路由方法,该方法将传统的A^＊算法改造后用于Ad Hoc网络的路由搜索,解决了由贪婪方式转发而失败的本地最小问题,避免了繁杂的路由平面构造与维护,计算机仿真显示,它需要的开销较小并能提供较高的分组传输成功率。     

高分辨雷达目标的RELAX与MRELAX参数特征

用RELAX算法和改进的MRELAX算法对实测雷达数据分别进行处理,从高分辨雷达回波距离像中提取目标特征参数并进行比较分析.仿真实验证明,用MRELAX算法对高分辨雷达目标数据进行处理与用RELAX算法处理的结果比较,MRELAX算法得到了更加清晰的目标特征.     

一种基于融合递归机制的长文本机器阅读理解算法

目前对于机器阅读理解的研究大多都使用预先训练的语言模型如BERT来编码文档和问题的联合上下文信息,相较于传统的RNN结构,BERT模型在机器阅读理解领域取得了显著的性能改进.但是当前基于BERT的机器阅读理解模型由于输入长度有限(最大长度为512),在进行特征提取时,存在一定程度的语义丢失,且不具备建立长距离依赖能力.为了解决这个问题,提出了一种基于BERT-Base的长本文机器阅读理解模型BERT-FRM.通过添加重叠窗口层以更灵活的方式切割输入文本,使用两个BERT模型独立编码问题和文档,并且在模型中添加递归层来传递不同片段之间的信息,赋予模型建立更长期依赖的能力.实验结果表明,BERT-FRM模型与BERT-Base基线模型相比,在TriviaQA和CoQA两个机器阅读理解数据集上的F1值分别提升了3.1%和0.8%.