基于级联网络和图搜索的轨迹模式学习算法

提出了一种基于级联竞争神经网络和有向无环图搜索的运动目标轨迹分布模式提取算法。采用级联竞争神经网络提取不同时序处流矢量的分布,根据轨迹点之间的时序转移关系构造有向无环图,通过深度优先搜索来获取轨迹分布的显式表示,并在此基础上给出了一种基于轨迹点对齐的异常轨迹检测方法。构造的级联网络自动隐含了轨迹点的时序关系,可以处理不同长度轨迹模式的学习问题。不同场景的仿真实验表明此方法可以应用于复杂场景下的目标异常行为检测。     

双目标进化算法求解图着色问题

根据图着色问题的特征,提出了求解图着色问题的双目标模型;设计的有效、简洁的杂交算子和变异算子,均直接产生可行的后代个体;理论分析表明算法以概率1收敛到问题的最优解集.对标准算例进行了仿真实验,结果表明,双目标进化算法可以获得问题高质量的解,即对图进行着色所使用的颜色接近图的色数.     

基于偶图匹配和禁忌搜索的排课新算法

针对目前高校的特点,提出一种偶图匹配和禁忌搜索相结合的排课新算法.将排课五要素恰当地绑定封装成课元和课栈两个向量,并以二维权值矩阵描述课元和课栈之间的关联权重,按照重权优先的原则并根据正确性原则进行约简,获得课元和课栈之间的匹配偶图.在此基础上,引入禁忌搜索算法,以排课的完备性原则、合理性原则和人性化原则的加权和为目标函数,以随机二维权值矩阵生成的匹配偶图为初始解,对二维权值矩阵进行扰动构成搜索邻域,以生成的匹配偶图为禁忌对象,采用全局藐视准则,获得最优的排课方案.给出典型算例验证提出的方法,结果表明了其可行性,并且具有考虑因素多和计算效率高的特点.     

基于GPU的加权Voronoi图计算

Voronoi图描述了一种对空间按照欧式距离进行的划分,是关于空间邻近关系的一种基础数据结构,在图像处理、城市规划以及地理信息系统等应用中有着重要的地位.顶点加权Voronoi图是Voronoi图的一种扩展,有着更为广泛的应用,但由于其实现的复杂性,相关算法一直比较少.为此,提出了一种基于GPU的加速算法.该算法利用GPU的高效计算特性,能够实时地生成离散的加权Voronoi图.与现有的算法相比,该方法易于实现,同时实验显示算法具有更好的计算性能.     

基于Image Quilting算法的纹理合成

基于样图的纹理合成方法是继纹理映射、过程纹理合成方法后发展起来的纹理拼接技术,用于解决传统方法中出现的缝隙、扭曲、变形和参数调整等问题.Image Quilting算法是简单易行的接缝消除方法,采用Image Quilting算法合成纹理并生成Wang Tile集,继而拼接大图像.实验表明,Image Quilting算法能够较好地保持纹理特征的连续性,但在接缝处可能破坏纹元特征.     

基于个体协同的子图结构发现混合进化算法

将进化算法与爬山算法的混合进化算法引入图数据挖掘,以克服贪婪式查找易陷入局部极值的问题.针对子图结构发现问题中实例易丢失的特点,提出了一种新的遗传操作--个体协同算子,使得代表同一子结构的不同个体能够以协同的方式进行查找.另外,还提出了一种基于年龄段和个体生成方式的多样性保持方案,以从种群的组成和个体的生成两个方面保持和提高种群的多样性,同时还有助于个体协同算子的执行.在进化过程中随时以新生成的单边子结构替换当前种群中没有潜力的个体的机制在缩小查找空间的同时还使得进化过程成为一个更为完全的查找过程.实验结果表明,以上措施增强了算法的寻优能力,能够获得更优的解.     

复杂网络确定性模型研究的最新进展

复杂网络的确定性模型在复杂网络建模领域起着不可或缺的作用。按照复杂网络经典模型发展的先后次序,依次对随机图、小世界网络、无标度网络以及加权网络确定性模型的研究现状进行较全面的综述,重点介绍了相关模型的构造及其主要性质,并对复杂网络确定性模型未来的部分发展方向进行了展望。     

公司多阶段财务危机动态预警研究

以上市公司的季度数据为研究样本,以指数加权移动平均控制图模型为研究方法,以被实施特别处理和暂停上市为两个财务危机演变状态,建立了一个多阶段动态财务危机预警模型;实证结果表明,该模型对上市财务危机公司具有较好的预测效果,有较大的应用价值.     

一种新的多关系朴素贝叶斯分类器

针对现有多关系朴素贝叶斯分类器中存在的统计偏斜问题,扩展了语义关系图的定义,给出了一种新的统计计数方法,构建了相应得多关系朴素贝叶斯分类公式,形成了一种基于关系数据库技术的新的多关系朴素贝叶斯分类器。为高效进行关系表连接,采用元组ID传播方法对关系表进行虚拟连接。进一步提高分类准确率,基于互信息标准对属性进行剪枝。实验显示新的分类器具有良好的分类性能。     

一种二元决策图底事件排序的新方法

故障树分析(Fault Tree Analysis, FTA)是对系统进行可靠性分析的一种有效方法.而在现在所有的故障树分析中,二元决策图(Binary Decision Diagram, BDD)又是其中最有效的方法之一.由于BDI)的节点数在很大程度上依赖于输入的底事件的排列次序,所以从故障树到BDD的转换过程中,需要先对底事件进行排序.而如何对底事件进行有效的排序则成为一个重要且未完全解决的课题.本文提出了一种新的底事件排序法--相邻底事件优先法.其基本思想是利用故障树的相邻关系来给其赋予不同的排序优先级.该排序方法所具备的特点包括:其底事件排序过程是静态的,但在BDD的构造过程中,能动态地对已经排序的底事件进行筛选,同时它还支持在BDD的不同分支采用不同的底事件排序方法.实验证明,与现有的最优方法相比,相邻底事件优先法可有效提高75%的故障树的BDD转化效率.