虚拟网络映射的电信级优化问题研究

网络虚拟化技术是解决当前网络僵化问题的有效手段之一,虚拟网络映射是其中关键技术.文中采用一致的优化模型综合分析网络资源分配的现有技术方法,包括成本优化、收益优化、剩余资源优化、网络能耗优化.进一步针对电信级运营,分析了业务等级违约最小化、跨网络分域部署策略和博弈机制设计方案,论述了动态拓扑适应、接纳和可靠性控制的方法,以及采用比例计算节能的优化问题建模.     

基于稀疏表示的快速三维人脸识别方法

随着计算机技术和三维成像技术的发展,三维人脸识别因不易受光照、装扮变化的影响成为人脸识别和身份验证的新趋势,但是对于表情、姿态变化其识别率还是有待于改善,时间开销较长.本文提出基于稀疏表示原理,对人脸重要的特征鼻尖点进行提取,采用最近邻分类器进行分类识别.实验结果表明,对表情变化等具有较高的鲁棒性和识别效果,且时间开销极小,优于传统的三维人脸识别方法.     

融合互近邻和可信度的K-近邻分类算法

文章提出一种融合互近邻和可信度的K近邻算法,根据互近邻的概念删除噪声数据;利用由近邻诱导待分类样本标签的可信度,避免待分类样本近邻中大类吃小类的概率。该算法不仅可以减小噪声数据对分类的影响,而且一定程度上增强了K近邻分类算法的稳定性。该算法在UCI标准数据集上进行了测试,性能相当或优于其他分类器。     

二维双原子正方晶格振动的色散关系

利用晶格动力学理论推导了二维双原子正方晶格振动的色散关系表达式,得到第一布里渊区中沿Γ-X、Γ-M和X-M 3种对称方向的声子色散曲线,每一对称方向有四支格波,即两支声学波和两支光学波.讨论了原子质量和次近邻原子间作用对色散关系的影响,结果表明:当两原子质量相等时,3个对称方向的声学波与光学波间无频隙;当两原子质量不等时,声学波与光学波间出现频隙.计及次近邻原子间作用,对Γ点声子频率的大小和简并不影响,两声学模频率为零、两光学模频率简并;对X点声子频率的简并也无影响,但相应频率增大;使M点声子频率的简并度降低,高频声学和光学声子的频率增大,而低频声学和光学声子的频率不变;沿Γ-X方向四支格波仍是非简并的,对应的频率增大,但都表现出色散性;沿Γ-M和X-M方向简并格波的简并度消失,除Γ-M方向低频声学支和光学支频率不变之外,其他格波声子的频率都增大,并且四支格波都表现出色散性.     

邻株低磷竞争处理对杉木幼苗生长的影响

以南方林区广泛种植杉木无性系为研究对象,利用室内沙培模拟装置,设置缺磷(0 mg/kg KH2PO4)、低磷(6 mg/kg KH2PO4)和正常供磷(12 mg/kg KH2PO4)3个供磷水平,构建邻株磷竞争环境.结果表明:邻株低磷竞争处理可明显促进杉木苗高生长,但竞争条件下,缺磷处理抑制杉木苗高生长.不同邻株磷竞争处理条件下杉木地径生长差异未达显著水平.在邻株低磷竞争处理条件下杉木根系长度、表面积、直径、体积等形态指标增量最大.     

带有全局交叉的修正和声搜索算法

为增强和声搜索算法的全局搜索能力,提出一种带有全局交叉的修正和声搜索(MHSgc)算法.MHSgc算法采用多和声记忆库协同创作,应用邻域学习策略进行调整,取代原有的基音调整,从而增加了种群多样性.同时,提出一种全局交叉操作,并融合到MHSgc算法中,防止算法陷入局部最小.针对几个标准函数进行了实验仿真,数值结果表明,上述算法优于文献报道的8种智能算法(HS,IHS,GHS,NGHS,EHS,ITHS,MPSO,RMDE),具有较好的优化潜力.     

融合标签相似度的 k 近邻 Slope One 算法

Slope One 协同过滤算法被广泛应用于个性化推荐系统中。标签是一种描述项目特性的重要形式,针对Slope One 算法推荐精度不足的问题,将标签信息融合到 Slope One 算法当中。同时参考 k 近邻算法思想,选取阈值过滤后的 k 近邻项目参与平均评分偏差计算,提高计算效率的同时增加预测精度。使用评分相似度和标签相似度作为权重修正线性回归模型。通过线性加权融合预测结果,进一步提升推荐质量。将算法应用于 MovieLens 数据集,与传统加权 Slope One 算法相比,平均绝对偏差下降4．8％,召回率和准确率分别提高32．1％和26．3％。     

基于复数矩的商标图像检索方法

提出用图像复数矩与其它特征结合进行商标图像检索的方法,并给出了检索算法。实验结果证明,这是一种较好的方法,基本不会出现漏检索。     

汽车二维图像的分类识别研究

用自相关函数提取图像的特征,对三类小汽车模型的侧影进行了分类识别研究．给出了两种分类识别方法：加权ｋ－近邻分类法和ＢＰ网络分类法,并对两种分类方法的性能进行了分析．实验结果说明,识别效果较好     

DTS(v)嵌入到DB(4,1;w)的研究

设(V,B)为一个DB(k,λ;v),(W,(?))为一个DB(k',λ';v')。如果V(?)W并且(?)/v=B,即B={B:B∈(?),B(?)V},我们称(V,(?))嵌入到了(W,(?))中。主要给出了当k=3,k'=4,λ=λ'=1时,DTS(v)的嵌入谱的估计。同时,确定了小阶数的DTS(v)的嵌入谱。