GNSS模糊度搜索空间的相关性分析与优化策略

初始搜索空间设置是否合理,会直接影响模糊度解算的可靠性和搜索效率。针对BDS系统星座特性,有必要对BDS2和BDS3在不同卫星数、不同频率下椭球容积与候选点个数的相关性以及数据冗余的影响进行分析。对于目标函数方法在确定模糊度搜索空间时容易产生过多的模糊度候选向量这一缺点,提出一种优化的搜索空间确定方法,并通过实验验证改进方法的有效性。结果表明,改进的搜索空间确定方法可明显减少实际模糊度候选向量个数,平均改进率最大可达35.02%,且保证94%的空间内所包含的候选向量个数符合要求。改进的搜索空间确定方法应用于不同搜索方法后搜索效率平均提升近33%,有利于分离出初始搜索空间中的冗余候选向量,从而提高模糊度搜索效率。

基于搜索空间划分的概念生成算法

概念格作为形式概念分析理论中的核心数据结构,在机器学习、数据挖掘和知识发现、信息检索等领域得到了广泛的应用.概念格的构造在其应用过程中是一个主要问题.提出了一种基于搜索空间划分的概念生成算法SSPCG(searchspacepartitionbasedconceptsgeneration),它将属性集合的幂集看作初始闭包搜索空间,迭代地将每个搜索空间划分为一些子搜索空间,并引入了子搜索空间的有效性判断,只搜索那些能生成正规闭包的子搜索空间,有效地提高了搜索效率;同时,在计算闭包过程中保存一些必要的中间结果,用来提高闭包运算速度.由于所有子搜索空间是独立的,所以该算法可以很容易地扩展为并行算法.在随机生成的数据集和真实数据集上进行的实验测试表明,本算法的时间性能要优于Ganter提出的NextClosure算法.

回代解算的LAMBDA方法及其搜索空间

基于回代解算的序贯条件最小二乘技术和上三角的Cholesky分解算法,提出求解载波相位模糊度的一种新算法———回代解算的LAMBDA方法。该方法同Teunissen提出的LAMBDA方法相比,有着不同的目标函数和不同的搜索空间。实例试算表明这两种方法有着不同的执行过程,但有着相同的模糊度整数解和相当的搜索效率。

自适应搜索空间的混沌蜂群算法

针对人工蜂群(ABC)算法的不足,以种群收敛程度为依据,结合混沌优化的思想,提出一种改进的人工蜂群算法—自适应搜索空间的混沌蜂群算法(SA-CABC)。其基本思想是在原搜索区域的基础上,根据每次寻优的结果自适应地调整搜索空间,逐步缩小搜索区域,并利用混沌变量的内在随机性和遍历性跳出局部最优点,最终获得最优解。基于六个标准测试函数的仿真结果表明,本算法能有效地加快收敛速度,提高最优解的精度,其性能明显优于基本ABC算法,尤其适合高维的复杂函数的寻优。

基于搜索空间划分的并行概念生成算法

概念格作为形式概念分析理论中的核心数据结构,在机器学习、数据挖掘和知识发现、信息检索等领域得到了广泛的应用。概念格的构造在其应用过程中是一个主要问题。本文提出了一种基于搜索空间划分的并行概念生成算法,它对整个闭包搜索空间进行划分,并引入一种有效的测试方法,只搜索那些能生成正规闭包的子搜索空间,从而有效提高搜索效率;同时,在计算闭包过程中保存一些必要的中间结果,用来提高闭包运算速度;由于所有子搜索空间相对独立,因此很容易得到一个井行的概念生成算法。

基于分工合作和搜索空间重构的粒子群优化

针对粒子群算法早熟收敛及后期收敛速度慢的缺点,提出一种基于分工合作和搜索空间重构的改进粒子群算法。首先基于分工合作的思想,对不同性能的粒子赋予不同的惯性权值,从微观上提高粒子搜索效率;同时,每当种群迭代到一定次数时,对搜索空间进行自适应重构,从宏观上提高种群的后续搜索效率,并适度重新初始化种群,恢复种群多样性。以4个经典测试函数对算法性能进行了测试比较。仿真结果表明,该算法明显提高了收敛效率,改善了求解质量。

动态搜索空间的粒子群算法

为进一步缓解粒子群优化算法在后期收敛速度慢、早熟等问题,提出了一种挂载式的、依赖自适应阈值和已知全局最优解的压缩搜索空间策略。在此基础上对粒子重新分配初始位置、调整速度权值来提升算法的后期探索能力。实验表明,在使用相同的权重和学习因子策略时,比之原粒子群优化算法具有较好的表现,在对量子粒子群算法进行嵌入时依然具有一定效果。该策略可以有效避免早熟问题,提升算法在后期的寻优效果,具有较好的鲁棒性。

基于搜索空间可调的自适应粒子群优化算法与仿真

针对收缩因子粒子群优化(CPSO)算法易陷入局部最优和发生过早收敛的问题,提出了基于搜索空间可调的自适应粒子群优化(APSO)算法.该算法根据种群早熟收敛程度和个体适应值,在CPSO算法停滞时,将全部粒子有效地划分在3类不同的搜索空间,使种群始终保持搜索空间的多样性,易于跳出局部最优,从而有效地改善了CPSO算法后期的寻优能力.

大词汇量连续语音识别中搜索空间的表示及相关搜索方法的研究进展

本文综述了近年来大词汇量连续语音识别中搜索空间的表示及相关搜索方法的研究进展,分析了搜索空间的表示及相关搜索方法对语音识别性能产生的影响,并对本领域的研究中存在的问题和未来的发展动向进行了讨论。

基于限制搜索空间的快速立体匹配方法

为快速而准确地得到稠密视差图,提出了一种基于限制搜索空间的动态规划立体匹配算法。该算法以动态规划立体匹配方法为基础,通过初始匹配序列限制搜索空间以减少搜索变量个数。同时,提出一种基于自适应权重的多窗口累积策略来提高匹配精度,并在平滑性限制中引入亮度梯度以避免在物体边界的视差不连续处产生过度惩罚。实验结果表明,该匹配算法在匹配速度和匹配精度上都有很大的提高,是一种简单有效的立体匹配算法。

优化搜索空间划分的遗传算法的研究与实现

针对遗传算法中早熟收敛和容易陷入局部收敛的问题,提出优化搜索空间、遗传算法算子的一些改进策略,即利用搜索空间划分实现优良等位基因单元稳定遗传到下一代中,利用禁忌域和有效域快速提高算法的实现性能.改进的算法能有效减少搜索空间、避免算法早熟,使得算法的全局搜索能力和局部搜索能力比其他遗传算法均得到了较大的提高.函数求最优解和服装设计算法的实现,证明了改进算法的平均收敛速度和收敛到最优解的效率都优于其他遗传算法,实验验证了所提出的算法思想的可行性和有效性.

搜索空间代换法及其在城市交通控制中的应用

针对常用遗传算法局部搜索能力差 ,导致计算速度缓慢、精度差等问题 ,提出一种搜索空间代换的新遗传算法。该算法保留了普通遗传算法的全局搜索性能 ,并通过多次搜索空间的代换提高了局部搜索能力。改进后的新方法在每次代换后只需改变解码规则 ,不需重新编码 ,也不需增加编码的长度 ,从而保证了计算效率。采用该方法对城市多车道、四相位的动态交通网络控制策略进行了多目标优化计算。应用结果表明 ,采用新的遗传算法可在同等情况下减少车辆堵塞 。

遗传算法中自适应伸缩搜索空间的方法

在求解优化问题时,与进化策略和进化规划不同,遗传算法依赖于所给定的搜索空间。但对于大多数实际问题,并不知道最优解所在的区域,因而无法给出适当的搜索空间,大大影响了遗传算法的性能。针对这一问题提出了一种自适应伸缩搜索空间的方法,它包括扩展阶段和收缩阶段。前者能够快速找到一个包含全局最优解但较为粗糙的搜索空间,后者则不断地细化这个空间。文中方法可以从任意初始空间出发并很快获得较为精确的上下界。同时,当应用到动态环境时,也能够迅速地适应新的适应度曲面。仿真实验证明了其优越性能。

整周模糊度估计的LAMBDA算法中搜索空间研究

对GNSS整周模糊度估计的LAMBDA算法做了简要介绍,分析搜索空间大小的合理确定跟解算的可靠性以及模糊度搜索效率之间的关系。通过实验证明常被采用的两种搜索空间确定方法的缺陷,进而提出另一种简单易行的搜索空间确定方法。实测数据表明,所提出的方法能在不降低解算可靠性的前提下有效提高搜索效率。

基于搜索空间划分的自主式遗传算法与应用

如何让无疲劳的计算机代替易疲劳的用户是交互式遗传算法研究的一个重要内容。该文给出了基于搜索空间划分的自主式遗传算法。该方法首先利用遗传搜索过程中的历史信息对搜索空间进行划分,以实现在用户未疲劳时避免用户疲劳。当用户疲劳时,由机器代替用户评价进化个体继续进行遗传操作,从而达到减轻用户疲劳的目的。利用此方法进行服装设计的实验结果验证了该方法的有效性。

基于搜索空间构造模糊度搜索方法的可靠性

整周模糊度的正确求解关系到GPS精密定位结果的正确性 ,搜索法解算整周模糊度的原则是获得目标函数的整数解作为模糊度参数的解 ,文中分析了各种不同搜索方法构造搜索空间的特性 ,比较了不同搜索方法对模糊度解算可靠性的影响 ,即通过搜索 。

基于多维度抽象和广度优先搜索空间划分的隐蔽信息流检测方法

隐蔽信息流检测是开发可信计算机系统中的关键问题,而状态空间爆炸是基于状态机模型检测隐蔽信息流的主要障碍。提出一种多安全级系统中基于主体安全级的二维抽象方法,在此基础上设计了广度优先的搜索空间划分方法,使得划分变量的选取范围更大,扩展了搜索空间划分的应用范围,克服了深度优先划分方法中划分变量难以选取的问题。实验数据表明,结合抽象和搜索空间划分的方法有效降低了模型的验证规模,因此有效缓解了状态空间爆炸问题。

搜索空间边界连接的微粒群优化算法

针对粒子出界问题对微粒群优化算法收敛性能产生的不利影响,本文提出一种搜索空间边界连接的边界处理算法。该算法首先将搜索空间每一维的上下边界连接,形成一个逻辑上闭合的搜索空间,然后通过调整该空间中粒子位置的更新策略以及粒子速度更新公式中个体认知和社会认知差分向量的计算方法,消除了边界对飞行粒子的不利影响,使粒子在可行解空间中能够更加高效且均匀地搜索。实验结果表明,无论全局最优解位于搜索空间的边界区域还是中心区域,本文方法的全局搜索性能均优于现有的粒子边界处理方法。

基于SLIC的GrabCut减小姿态搜索空间算法

针对人体的高自由度导致姿态估计过程中搜索空间过大的问题,提出一种基于简单线性迭代聚类(SLIC)超像素算法的Grab Cut减小姿态空间算法。运用SLIC算法对图像进行超像素分割,以超像素作为s-t图中的节点构建图模型,利用超像素区域的颜色特征平均值作为该区域内每个像素的特征值,分别为前景和背景超像素建立混合高斯模型,迭代更新高斯参数,运用最小割算法完成前景提取,并在得到的前景区域中进行后续的姿态估计。实验结果表明,基于SLIC的Grab Cut与基于Grab Cut的减小搜索空间算法在运行时间和姿态估计准确度上均有较大程度提升。

贝叶斯网结构学习搜索空间分析

贝叶斯网结构学习是一个NP难题,提高学习效率是重要研究问题之一。贝叶斯网结构空间的规模随节点(随机变量)数呈指数增加,选择适当的结构空间可以提高学习效率。本文对贝叶斯网结构空间进行定性和定量分析,对比有向图空间、贝叶斯网空间和马尔科夫等价类空间的规模和特点。通过实验数据分析先验结构空间约束对降低结构空间规模的效率,给出约束参数的选择区间。为贝叶斯网结构学习选择搜索空间和确定约束参数提供理论支持,从而提高学习效率。