卫星遥感图像并行几何校正算法研究

几何校正是遥感图像处理过程中的重要环节 ,具有计算量大、耗时长的特点 ,导致遥感图像处理的效率低下 .该文提出一种分布存储环境下的并行几何校正算法 ,每个处理器通过计算本地输入子图像在目标图像中的范围 ,确定其需要进行重采样计算的区域 ,使计算过程中所需的数据均为本地数据 ,很好地解决了数据局部性问题 .文章利用首尾相连的闭线段近似表示理想的输出图像块边界这一思想 ,详细讨论了局部输出区域的计算方法 ,并采用一种新的存储结构用于保存校正后的输出图像块信息 .在机群系统上对算法进行实现 ,结果表明该算法具有良好的并行性能 .

一种搜索编码法及其在监督分类中的应用

纠错输出码作为监督分类领域中的一个新的研究方向,是提高分类器泛化能力的一种有效方法,但目前还没有通用的确定性编码方法.分析了现有纠错输出码的性质,提出一种搜索编码法,该方法通过对整数空间的顺序搜索,获得满足任意类别数目与最小汉明距离要求的输出码;然后探讨了基于搜索编码的监督分类技术.对简单贝叶斯与BP神经网络算法进行实验,结果表明,搜索编码法可作为一种通用的编码方法用于提高监督分类器的泛化能力.

数字签名技术及其发展动态

在信息化的今天，人们倍加重视信息的安全问题，数字签名技术作为信息安全领域的一项重要技术，应用日益广泛。详细论述了传统数字签名的作用、实现技术及其应用，并介绍了当前数字签名的几种新技术，展望了这一领域的发展前景。

计算机网络中界壳理论的研究

一、引言当前,网络技术的发展与网络应用的普及对社会进步起着推波助澜的作用,网络已深入到各个领域中.由于每个领域、每个单位都有自己的私有信息,要对外界保密,因此在子网与Internet之间就要有诸如防火墙、身份认证等安全措施.这样子网内部就像一个内核,安全控制就是它的外壳,保护着内部不受到侵害.

异构环境下MPI通信技术研究

异构环境下的高性能计算技术是当前获取高性价比计算平台的重要方法,在MPI系统中提供用户透明、高性能的异构支持是实现异构环境下进程间通信的自然选择,相关技术研究已成为高性能计算领域急待解决的问题.本文对网络异构和处理器异构进行了详细阐述,分析它们对MPI通信的影响;然后基于Open MPI系统,对这两类异构问题的具体实现进行介绍,测试并分析它们对通信性能的影响;最后展望了这一研究方向的技术难点与发展趋势.

具有高可理解性的二分决策树生成算法研究(英文)

二分离散化是决策树生成中处理连续属性最常用的方法,对于连续属性较多的问题,生成的决策树庞大,知识表示难以理解.针对两类分类问题,提出一种基于属性变换的多区间离散化方法——RCAT,该方法首先将连续属性转化为某类别的概率属性,此概率属性的二分法结果对应于原连续属性的多区间划分,然后对这些区间的边缘进行优化,获得原连续属性的信息熵增益,最后采用悲观剪枝与无损合并剪枝技术对RCAT决策树进行简化.对多个领域的数据集进行实验,结果表明:对比二分离散化,RCAT算法的执行效率高,生成的决策树在保持分类精度的同时,树的规模小,可理解性强.

监督学习的发展动态

Supervised learning is very important in machine learning area. It has been making great progress in manydirections. This article summarizes three of these directions ,which are the hot problems in supervised learning field.These three directions are (a) improving classification accuracy by learning ensembles of classifiers, (b) methods forscaling up supervised learning algorithm, (c) extracting understandable rules from classifiers.

多层组合分类器研究

为了提高监督分类的精度,本文从组合分类器的结构出发,提出一种横向多层组合模型,并对这种模型的运行方式与组合特性进行分析。该模型每层含有一个分类器,每个分类器的输入和输出一起作为其后面一层的输入。我们将简单贝叶斯法与BP神经网络组合成两层分类器。实验结果表明,这种组合方式有效地提高了单个方法的分类精度。

PIWA-LOC——一种Cluster环境下的大图像并行重采样算法

图像重采样问题应用广泛,具有计算复杂度高、运行时间长的特点.为了提高处理性能,针对Cluster并行环境,对一种并行几何校正算法进行改进,提出了并行重采样算法PIWALOC.采用一种新的存储结构用于保存各计算结点上的不规则输出子图像,并提出线段近似法用于获取不规则输出子图像的边界,使算法的通用性大大提高,适用于具有复杂几何变换的图像重采样问题.实验结果表明,该算法对大图像的重采样问题具有良好的并行性能,且网络带宽越高算法的可扩展性越好.

基于纠错编码的CSNN及其在遥感图像分类中的应用

单输出组合神经网络 (CSNN)克服了BP神经网络固有的缺陷 ,具有网络结构确定、分类行为易于解释、并行性好等优点 ,但分类精度比经过结构选择的BPNN略差 采用纠错编码可以提高CSNN的分类精度 ,首先根据类别数与纠错能力确定类别码组 ,每个码字对应一种类别 ,每个SNN子网对这些码字中的同一位进行训练 ,从而确定网络结构与每个子网所学习的二值函数 ;对未知类别的样本进行分类时 ,各SNN的结果组成一个输出码 ,计算该输出码与各类别码的汉明距离 ,选择与其距离最近的类别码所对应的类别为该样本的类别 ;基于纠错编码的CSNN的分类行为易于转化为规则集形式 ,可理解性强 将该网络结构用于遥感图像分类 ,并与其他分类算法进行比较 ,结果表明采用纠错编码技术 ,CSNN不仅具备原有的各项优点 。

基于搜索编码的简单贝叶斯分类方法

简单贝叶斯法性能稳定,分类精度难以提高。通过分析搜索编码法产生的纠错输出码的性质,提出基于搜索编码的简单贝叶斯算法SCNB,并详细阐述了SCNB算法的应用流程。实验结果表明,采用搜索编码法能够有效提高简单贝叶斯分类器的泛化能力。

无线传感器网络路由协议的分析与比较

无线传感器网络的路由协议设计与传统的无线ad-hoc网络有很多不同,资源高度受限和结点失效频繁是其面临的两大挑战,相关技术研究已经成为无线传感器网络研究中的热点。对近年来无线传感器网络路由协议的研究成果进行归纳、分析和比较,介绍了无线传感器网络的特点以及影响其路由协议设计的关键因素。根据协议的实现特点将无线传感器网络路由协议分为5类,对每一类涉及的重要协议进行详细阐述与分析,最后对这些协议的特点进行归纳和比较,并展望了未来这一研究方向的发展趋势。

具有回忆和遗忘机制的数据流挖掘模型与算法

集成式数据流挖掘是对存在概念漂移的数据流进行学习的重要方法.针对传统集成式数据流挖掘存在的缺陷,将人类的回忆和遗忘机制引入到数据流挖掘中,提出基于记忆的数据流挖掘模型MDSM(memorizing based data stream mining).该模型将基分类器看作是系统获得的知识,通过"回忆与遗忘"机制,不仅使历史上有用的基分类器因记忆强度高而保存在"记忆库"中,提高预测的稳定性,而且从"记忆库"中选取当前分类效果好的基分类器参与集成预测,以提高对概念变化的适应能力.基于MDSM模型,提出了一种集成式数据流挖掘算法MAE(memorizing based adaptive ensemble),该算法利用Ebbinghaus遗忘曲线对系统的遗忘机制进行设计,并利用选择性集成来模拟人类的"回忆"机制.与4种典型的数据流挖掘算法进行比较,结果表明:MAE算法分类精度高,对概念漂移的整体适应能力强,尤其对重复出现的概念漂移以及实际应用中存在的复杂概念漂移具有很好的适应能力.不仅能够快速适应新的概念变化,并且能够有效抵御随机的概念波动对系统性能的影响.

流域变换建模及其算法研究的新进展

流域变换是数学形态学中用于图象分割的一种经典方法 .虽然流域变换曾因运算量大、效率低而使得其研究工作遭到冷遇 ,但也因此出现了一些新的理论和算法 ,并随着并行手段的引入 ,又使其重新成为研究的热点 ;同时就近期许多研究成果而言 ,形式化模型的多样性 ,使得流域变换的定义、算法和实现 ,尚缺乏统一的描述和全面的总结 .针对这一情况 ,首先给出了连续域流域变换的严格数学模型和两种离散情况下典型的形式化定义 ;然后分类总结了近年来 ,流域变换算法实现的新进展 ;最后提出了有待进一步研究的问题 .

E级超级计算机故障预测的数据采集方法

面向未来E级超级计算机,提出用于故障预测的数据采集框架,能够全面采集与计算结点故障相关的状态数据。采用自适应多层分组数据汇集方法,有效解决随着系统规模增长数据汇集过程开销过大的问题。在TH-1A超级计算机上的实现和测试表明,该数据采集框架具有开销小、扩展性好的优点,能够满足未来大规模系统故障预测数据采集的需求。

基于FP-Tree的快速选择性集成算法

选择性集成通过选择部分基分类器参与集成,从而提高集成分类器的泛化能力,降低预测开销.但已有的选择性集成算法普遍耗时较长,将数据挖掘的技术应用于选择性集成,提出一种基于FP-Tree(frequent pattern tree)的快速选择性集成算法:CPM-EP(coverage based pattern mining for ensemble pruning).该算法将基分类器对校验样本集的分类结果组织成一个事务数据库,从而使选择性集成问题可转化为对事务数据集的处理问题.针对所有可能的集成分类器大小,CPM-EP算法首先得到一个精简的事务数据库,并创建一棵FP-Tree树保存其内容;然后,基于该FP-Tree获得相应大小的集成分类器.在获得的所有集成分类器中,对校验样本集预测精度最高的集成分类器即为算法的输出.实验结果表明,CPM-EP算法以很低的计算开销获得优越的泛化能力,其分类器选择时间约为GASEN的1/19以及Forward-Selection的1/8,其泛化能力显著优于参与比较的其他方法,而且产生的集成分类器具有较少的基分类器.

选择性集成算法分类与比较

选择性集成是当前机器学习领域的研究热点之一。由于选择性集成属于NP"难"问题,人们多利用启发式方法将选择性集成转化为其他问题来求得近似最优解,因为各种算法的出发点和描述角度各不相同,现有的大量选择性集成算法显得繁杂而没有规律。为便于研究人员迅速了解和应用本领域的最新进展,本文根据选择过程中核心策略的特征将选择性集成算法分为四类,即迭代优化法、排名法、分簇法、模式挖掘法;然后利用UCI数据库的20个常用数据集,从预测性能、选择时间、结果集成分类器大小三个方面对这些典型算法进行了实验比较;最后总结了各类方法的优缺点,并展望了选择性集成的未来研究重点。

流域变换的串行与并行策略研究

流域变换是数字形态学中用于图像分割的一种经典方法,其并行化问题成为近年来研究的重点。首先给出了流域变换的数学模型,并归纳列举了几种离散情况下的形式化定义;其次分类总结了近年来流域变换串行算法研究的新进展,从而在此基础上重点讨论了相应的并行化策略。详细分析了设计并行流域算法需要考虑的几个问题;并比较评价了现有并行算法的性能特点,得出了一些结论;最后提出了有待进一步研究的问题。

面向磁盘故障预测的机器学习方法比较

磁盘是保存数据的重要载体,提高磁盘的可靠性和数据可用性具有重要意义。现代磁盘普遍支持SMART协议,用来监控磁盘的内部工作状态。采用机器学习方法,分析磁盘的SMART信息,实现对磁盘故障的预测。所采用的机器学习方法包括反向神经网络、决策树、支持向量机以及简单贝叶斯,并采用实际磁盘SMART数据进行验证与分析。基于上述数据,对不同机器学习方法的有效性及其效果进行了对比。结果表明,决策树方法的预测率最好,支持向量机方法的误报率最低。

流域变换算法中过度分割的平滑解决方法

流域变换是数学形态学中用于图像分割的经典方法,应用十分广泛,但其过度分割问题一直未得到很好的解决。本文首先介绍了流域变换算法的思想,以及引起过渡分割的原因;然后,提出一种解决过度分割问题的快速方法———平滑算子,并通过理论手段证明了该方法的有效性。实验结果表明,该方法是解决流域分割中过渡分割问题的有效方法。