基于DE-APVIOBPCS模型的零库存偏移变体分析

首先利用控制工程领域的方法描述了单阶供应链中基于AR(1)需求和最小均方误差预测的DE-APVIOBPCS模型。通过应用终值定理可知,不论提前期的估计准确与否,系统的终值偏差(即库存偏移)都将始终存在。为了消除此系统的固有偏差并保持合理的系统动态性,作者提出了一种基于DE-APVIOBPCS模型的零库存偏移变体。由方差放大分析可知,在新的变体模型中采用保守的提前期估计值总是比较有利。分析了零库存偏移变体模型的稳定性条件,并在提前期错误估计的假设前提下通过仿真分析举例说明了新模型的一些优点。     

正整数的素因子个数的k次均值估计

令ω(n)表示正整数n的不同素因子的个数,考虑ω(n)的k次均值,运用Nathanson和Turán的方法,证明了对x≥2和正整数k,有∑n≤xω(n)k=x(lnlnx)k+O(x(lnlnx)k-1),以及对每个δ＞0和正整数k,使不等式ω(n)k-(lnlnn)k≥(lnlnx)k-1/2+δ成立的正整数n≤x的个数是O(x).这两个结果是对ω(n)经典均值估计的推广.     

基于粒子群的K均值聚类算法在电信客户细分中的应用

在K均值算法中, 对于随机的初始值选取可能会导致不同的聚类结果,甚至存在着无解的情况;还有该算法是基于梯度下降的算法,因此不可避免地常常陷入局部极优.针对K均值聚类算法存在的缺点,提出了一种新的聚类算法--基于粒子群的K均值聚类算法,理论分析和实验表明该算法有较好的全局收敛性,能有效地克服传统的K均值算法易陷入局部极小值的缺点,采用改进后聚类算法对电信客户数据进行聚类分析,得到具有不同特征的客户群组,聚类结果分析更合理清晰,更便于对不同群组采取不同的经营策略,为管理者提供了合理的决策支持.     

Bernoulli级数和的一个新证法

利用解析方法研究了Bernoulli级数和的均值性质,得到了一个均值恒等式的新证法。     

改进的核子类判决分析

提出了改进的核子类判决分析（improved kernel clustering based discriminant analysis, IKCDA）方法,首先采用快速全局核k 均值聚类算法找到每类目标的最优子类划分,然后基于找到的子类划分结果采用核子类判决分析求取最优的投影矢量。基于UCI机器学习数据库的实验结果表明,经过IKCDA特征提取后异类样本间的可分性明显改善了。此外,基于美国运动和静止目标获取与识别（moving and stationary target acquisition and recognition, MSTAR）计划录取的合成孔径雷达地面静止目标数据的实验结果表明,经过IKCDA后可以改善对真实目标的分类性能和对干扰目标的拒判能力。     

一种基于分水岭变换和模糊C均值聚类的彩色图像分割算法

针对分水岭算法对在图像分割中容易产生过分割,提出了一种基于分水岭变换和模糊C均值(FCM)聚类算法的彩色图像分割算法。该算法先对图像进行分水岭分割,再对分水岭产生的过分割进行聚类合并。在合并过程中采用区间差异度和区域面积来确定模糊C均值聚类个数。该算法的优点是解决了分水岭变换算法的过分割问题的同时解决了模糊C均值聚类算法的初始值以及聚类中心难以确定的问题。实验结果表明,该算法可以准确地分割出目标并应用到自动分割系统中。     

凸函数积分有界性质及其应用

给出了闭区间[a,b]上为凸函数的f(x)的一个定积分的有界性质,并应用该性质对一类特殊的均值不等式进行了证明.     

一种快速分形图像编码方法

提出了一种快速分形图像编码方法．该方法利用原图像的均值图像设计编码码书，利用高阶统计量对域块进行分类，可以有效地减少域池中域块之间的相关性．同时，使用遗传算法搜索值块的匹配域块，可以减少分形图像编码时值块与域块的匹配搜索时间，加快图像分形编码的速度．基于这种方法的分形图像编码，在图像解码时不需要迭代，可以提高图像的解码速度，不需要对编码时的伸缩系数加以限制．仿真结果表明，这种快速分形编码方法可以减小图像编码时间，较大提高了分形编码的速度．在相同压缩比的情况下，解码图像的质量也比传统方法要高．     

一种基于方向梯度的图像滤波算法

自然图像中的大部分图像都存在噪声,在滤除噪声的同时尽可能地保存图像细节是图像平滑的目标.目前普遍使用的均值滤波滤除噪声效果不够理想且易使图像变得模糊,中值滤波虽然滤除噪声效果较好但使得图像变得模糊且易使图像的细节信息丢失.针对这一问题,本文提出了一种基于方向梯度的图像滤波算法.该算法对含有噪声的图像取3×3邻域,构造4个方向的梯度算子模板,通过比较4个方向梯度大小,对噪声、边缘、图像内部点分别处理,实验结果表明该算法在滤除噪声的同时,很好地保存了图像的原始信息且有较好的信噪比.     

多尺度非参数化水平集的超声心动图分割

针对超声心动图噪声很大、提取目标区域边界不够平滑完整的问题,将非参数技术与水平集相结合,提出了多尺度非参数化的水平集图像分割方法。利用非局域均值滤波建立尺度空间,保护图像特征,在粗尺度预分割,然后在细尺度优化分割。采用Parzen窗技术对超声心动图的亮度分布进行统计建模,不需要先验假设,引入到水平集框架中,设计了非参数化水平集分割模型。分割实验证明:预分割结果和真实边界的平均绝对距离为2.162,优化后为0.710。该方法可以精确地自动提取感兴趣区域,在图像分割鲁棒性和精确性方面优于常规分割方法。