基于域感知多域分簇拓扑感知应用层组播算法

为提高应用层组播生成树的稳定性和效率,提出了一种基于域感知的多域分簇拓扑感知应用层组播算法(Mul-Dom CTA).Mul-Dom CTA算法不仅能够通过链路的传输时延将相近的节点组织在一个拓扑域中,实现数据包的就近传输,而且能够通过节点度约束进行重定向,缓解加入顺序的差异对组播树的不利影响,构建相对稳定的组播树.仿真实验证明Mul-Dom CTA模型具有良好的聚簇能力,能够有效降低组播树深度,同时降低组播树数据包的传输时延.     

DBSCAN算法在高性能计算中心用户分类的应用研究

为提高集群资源使用效率,管理员需要对用户进行分类,从而对不同用户提出资源使用策略.DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类,但对初始参数敏感.为此,提出改进算法,首先将密度进行层次划分,由此得出各层次的密度阈值,在每种阈值下采用DBSCAN算法,解决全局参数问题.在此基础上,创新地使用一个直接可达距离排序队列,将排序信息作为可变参数,减小初始参数对结果的影响.通过高性能计算中心用户数据的实例验证了其可行性.实验结果表明,改进后的算法提高了用户分类的准确性和全面性.     

高光谱遥感图像的稀疏分解与压缩感知

基于稀疏分解和压缩感知原理对高光谱遥感图像进行压缩重构,提出一种基于过完备原子库上分解图像的稀疏分解快速算法,以减少图像稀疏分解的计算量.仿真计算结果表明,利用压缩感知和谱带分组技术对高光谱图像进行谱间压缩,可提高运算速度,并降低成本.     

局部Lipschitz模糊函数的性质及广义方向导数

借助模糊数的左端点和右端点给出局部Lipschitz模糊函数的一个等价刻画,并引进了局部Lipschitz函数广义方向导数的概念.利用两个集合的间隔和距离给出局部Lipschitz模糊函数的若干性质,并举例给出求广义方向导数的方法.     

MTL 代数的 Wajsberg 形式及其应用

MTL 代数是一种重要的基础逻辑代数。本文采用 Wajsberg 方法,根据逻辑系统 MTL 中公理的形式,建立了 NMTL 代数的经典代数表示形式,进而证明了 NMTL 代数与 MTL 代数是同一代数结构,证明了满足条件x,y∈L,x→y ＝（y→0）→（x→0）的 NMTL 代数 L 是 BR0代数。在此基础上证明了 IMTL 代数和 BR0代数是同一代数结构,并给出 BR0代数和 BL 代数的 Wajsberg 形式。     

预不变凸模糊映射的一些性质

首先利用模糊映射的二次可微性,给出了预不变凸模糊映射的一个充要条件,然后建立了预不变凸模糊映射的一个等价条件,结果为预不变凸模糊映射的判断提供了一个新的思路.     

雷64区块砂砾岩储层岩性识别方法研究

在取心、岩石物理实验的基础上,采用统计方法对雷64区的岩性进行研究,将其分为砂质细砾岩和不等粒砂岩两大类.利用直方图法优选出识别这两大类岩性的敏感测井曲线,并且依据优选出来的敏感测井曲线,建立了用于识别砂质细砾岩和不等粒砂岩的测井响应交会图法、决策树模型、系统聚类模型.通过对上述三种模型进行精度分析,发现决策树模型的精度要高于测井响应交会图法和系统聚类模型.同时利用所建立的两种决策树模型对雷71井进行岩性识别,将识别结果与实际取心对比,发现综合判断准确率均大于85%.结果表明,给出的决策树模型可很好地用于该地区砂砾岩储层的岩性识别.     

基于量子模糊聚类算法的复杂网络社团结构探测

研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.     

图结构上下文及在图聚类中的应用

图结构特征的提取以及距离度量是计算机视觉和模式识别中的重要内容。针对传统的图上下文描述子中只考虑每个柱形区域内的特征点数目而忽略特征点之间的结构信息的问题,提出一种图的结构上下文描述子及距离度量方法。首先对图的所有顶点建立图结构上下文描述子;其次,利用二次卡方（QC）距离方法实现图的距离度量;最后,采用最小生成树聚类算法实现图聚类。实验表明,该方法对于一些非刚性变换的图聚类有较好的效果。     

基于模糊决策的不完整数据分类算法

中医药领域不完整的数据普遍存在,而数据的不完整很大程度地降低分类模型的学习效果。大多数已有的处理不完整数据的分类算法只关注在其学习阶段处理不完整数据,而对于不完整数据出现在分类阶段则不能处理或效果不好。文章提出一种新的分类算法用于处理不完整数据的分类问题。首先给出一个新的用于处理不完整数据的决策树算法,并针对传统的Boosting算法在迭代过程中使用确定性决策方法而没有充分考虑到数据集中的不完整数据,进一步提出改进的Boosting算法,在迭代过程中对每一个假设使用模糊决策方法,权重的更新机制是增加错误分类样本的权重和减少正确分类样本的权重,最终使用加权投票的方式得出最优的分类结果。最后,通过两组实验证明提出的算法策略在处理不完整数据问题时的优越性。