基于EBRCG的API结构模式信息增强方法研究

针对API调用模式缺乏结构信息及结果高冗余等问题,提出了基于扩展的分支保留调用图(the Extended Branch-Reserving Call Graph,EBRCG)的API结构模式信息增强方法。以Java开源项目源代码为研究对象,使用EBRCG来表示Java类的方法的结构信息,在EBRCG中,同时考虑了API调用语句、分支语句(将if语句和所有循环语句视为分支语句)、switch-case多分支语句、异常语句等,并提出了EBRCG裁剪算法来获取特定API调用模式的代码结构。同时,采用聚类和排序的方法对API调用模式的多个代码结构信息进行筛选,最终选择具有代表性的API调用模式的代码结构。为验证该方法的效果,将该方法与TextRank方法进行了3组实验比较。结果显示,该方法能有效地获取API调用模式的代码结构,相比TextRank方法能更准确地描述API的使用,有一定的研究意义,并为软件开发人员提供了参考。

面向投票类AI分类器的零冗余存储器容错设计

投票类分类器广泛应用于多种人工智能(Artificial Intelligence,AI)场景,在其电路系统中,用于存储已知样本信息的存储器易受到辐射、物理特性变化等多种效应影响,引发软错误,继而可能导致分类失败。因此,在高安全性领域应用的AI分类器,其存储电路需要进行容错设计。现有存储器容错技术通常采用错误纠正码,但面向AI系统,其引入的冗余会进一步加剧本就面临挑战的存储负担。因此本文提出一种零冗余存储器容错技术,采用纠正错误对分类结果的负面影响而非纠正错误本身的设计思想,利用错误造成的数据翻转现象恢复出正确的分类结果。通过对k邻近算法进行实验验证,本文提出的技术在不引入任何冗余的情况下可达到近乎完全的容错能力,且相比于现有技术,节省了大量硬件开销。

基于频域信号的稀疏编码在机械故障诊断中的应用

提出了一种使用稀疏编码对机械频谱信号自学习并识别故障的方法。首先分别对每类频谱信号进行字典学习得到每类信号的字典,然后依次计算测试样本在各个类别的字典上的稀疏重构系数,利用稀疏重构系数与对应类别的字典重构测试样本。最后将重构残差作为识别依据,对机器状态进行判断。通过将振动信号从时域转化到频域,将复杂的移不变稀疏编码问题转化为普通的稀疏编码,并且得益于高效的K-SVD字典学习算法,计算效率得到了大幅提高。所提方案直接使用原始频谱信号作为训练集,不仅省去了特征提取过程,而且保留了更丰富的信息。经实验验证,该方案较基于时域的移不变稀疏编码具有更高的计算效率、准确率和稳定性。相对于常规诊断算法,除了有准确率的优势外,不易受负载变化的影响,所需人工干预较少。

基于光栅扫描的NAM优化策略

借助于Packing问题的优化思想,提出了一种基于光栅扫描的NAM优化策略.以矩形子模式的NAM表示方法为研究对象,进行了理论分析与实验验证.NAM优化策略的最终目标是不断地逼近模式的最优化表示,NAM优化问题在降低存储空间、提高传输速度、加快处理过程、模式匹配等方面具有较高的理论参考和实际应用价值.结果表明:基于光栅扫描的NAM优化策略是行之有效的,对NAM的优化具有一定的指导意义.

一种光通信中基于LDPC码的新颖级联码

基于SCG(4,k)码的构造方法对SCG-LDPC码进行优化改进,构造一种适用于光通信系统的新颖LDPC(3969,3720)码,通过增大其码长,构造码率为95.1%的新颖SCG-LDPC(6561,6240)码,使其码率更符合光通信系统的高码率要求。并用SCG-LDPC(6561,6240)码与码率为94.5%的BCH(127,120)码进行级联,构造出一种新颖的BCH(127,120)+LDPC(6561,6240)级联码。仿真分析表明:在误码率为10-7时,新构造的BCH(127,120)+LDPC(6561,6240)级联码的净编码增益比已广泛应用于光通信系统的经典RS(255,239)码和SCG-LDPC(6561,6240)码分别提高了2.27dB和0.49dB。因而该级联码更适合于光通信系统。

多值编码遗传算法

针对经典遗传算法过早收敛,不利于保留种群多样性的问题,提出一种采用k阶扩展二进制编码的多值编码遗传算法.该算法可以更好地保留种群的多样性,更容易达到全局的最优点,应用结果比较也证实了多值编码遗传算法比经典遗传算法具有更好的优化效果.

一种快速计算Z_(p^k)上码字深度的算法

开始定义了环Zpk上码字的深度,给出了一种快速计算环Zpk上码字的深度的算法.

一种基于层次距离计算的聚类算法

针对广泛存在的层次编码型数据类型,提出了层次距离的新概念,证明了相关的数学性质,并在此基础上提出并实现了新的基于层次距离计算的聚类算法HDCA(Hierarchy Distance Computing based clustering Algo-rithm).新方法克服了传统聚类算法标称型计算的缺陷,提高了聚类精度.针对聚类算法的中心点问题,提出了相应的层次编码型数据的快速处理算法,并从理论上证明了算法的正确性.实验表明,对比朴素处理算法,HDCA的性能明显提高.新算法已经应用到警用流动人口分析当中,取得了良好效果.

伪随机编码结构光系统的标定

提出了一种采用伪随机编码原理生成彩色编码图案的结构光系统标定方法。首先,结构光系统向带有棋盘格图案的标定板投射白光,拍摄棋盘格图像,随后将棋盘格图案用白纸完全遮盖,投射彩色编码图案,并拍摄彩色编码图像。其次,采用一种基于K-均值聚类的角点自动提取方法提取伪随机编码图像的角点信息,利用彩色角点信息和射影变换原理建立摄像机图像和投影仪图像的对应关系,根据此对应关系,将三维空间特征点在摄像机坐标系下的图像坐标转换成投影仪坐标系下的图像坐标,从而实现对摄像机和投影仪的同时标定。最后,充分利用伪随机编码图案的桥梁作用对结构光系统外参数进行了整体优化,进而完成系统标定。实验结果表明该方法的标定精度可达0.3像素,且利用此法获得的标定数据对物体进行重建曲面的质量良好。

一种新的确定K-均值算法初始聚类中心的方法

针对传统的K-均值算法聚类时初始聚类中心难以确定的缺点,利用超立方体技术, 并依据同类样本中多数样本具有类似的子向量的特点,将落入同一超立方体的样本认为是一类。然后以这些样本的均值作为初始聚类的中心,实现了聚类中心的确定。通过仿真实验和应用于沙尘暴和非沙尘暴样本的分类,验证了此方法的有效性。

一种改进的K-SVD字典学习算法

提出了一种ALM-KSVD字典学习算法,通过稀疏编码和字典更新两步迭代学习得到训练样本的字典.为了提高字典训练速度与性能,在稀疏编码引入增广拉格朗日乘子法(ALM,Augmented Lagrange Multipliers)求解,更新字典则使用经典K-SVD的字典更新算法.为考察算法的字典训练速度和平均表示误差(RMSE),选取了不同样本数和噪声标准进行数据合成实验,结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低.进一步考察算法的图像去噪能力,选取不同的输入图像噪声标准和字典原子数进行仿真,实验结果表明本文算法比经典的K-SVD算法获得更高的峰值信噪比(PSNR),具有良好的去噪性能.

k冗余多播网络中网络编码算法设计与分析

k冗余多播网络采用网络编码可实现最大多播速率k的信息传输。该文利用最大距离可分码已有成果,给出k冗余多播网络在不同发送速率下所需的最小有限域,构造最大距离可分码[n,k]生成矩阵,将其列向量作为信源输出链路的全局编码向量,设计网络码字,实现网络编码。应用实例表明该网络编码方法相对现有的通用网络编码算法而言,具有更低的计算复杂度。

基于改进K-均值聚类的快速分形图像编码算法

将先进的K-均值聚类理论引入到分形图像编码领域,是目前国际学术界的研究热点之一。本文全面分析了K-均值聚类的初始聚类中心选取问题,给出了基于均值-标准差的初始聚类中心选取新方案,并据此提出了一种新的快速分形图像编码算法。仿真实验表明,本文所提出的快速分形图像编码算法是一种高效的图像压缩方法,不仅其压缩效果明显优于传统K-均值聚类分形图像压缩方案,而且具有较短的编码时间。同时,该算法还具有较强的通用性与适应性(传统K-均值分形编码方法对于纹理图像压缩效果较差,而本文算法的压缩效果却较理想)。

基于动态自适应K均值聚类的电力用户负荷编码与行为分析

随着中国智能电表在用户中广泛普及,电力公司可获取用户用电数据日益庞大,海量的用电数据给用户用电行为挖掘分析带来了新的挑战。提出一种将用户典型用电负荷进行编码的方法,首先,基于聚类中心动态分离的自适应k均值算法,提取用户典型用电负荷形状;其次,对典型负荷进行编码,并记录负荷属性值,建立具有普适性的用户负荷字典;最后,提取用户平均最大负荷和用户行为稳定性,获得不同用户参与需求响应以及能源效率项目的潜力。该方法在一定程度上解决了海量用电数据处理的难题,对用户用电行为分析研究具有一定的实际意义。

改进的k中心点算法在茶叶拼配中的应用

为了提高茶叶拼配效率,节约人工成本,实现茶叶企业效益最大化,探讨了将茶叶拼配问题建模成多维层次空间聚类问题,并通过定义多维概念分层空间中的相似性度量准则,提出了改进的k中心点算法求解最优拼配方案,并引入Dewey编码提高了求解效率.根据真实数据集上的实验表明:同等实验条件下较人工拼配方式而言,文中所提出的茶叶拼配智能化求解方法大大提高了茶叶企业工作效率和经济利益.

基于双重遗传的聚类分析算法研究

针对影响k-means聚类效果的聚类数目和初始中心点两大因素,提出了基于双重遗传的kmeans算法。它用外层遗传算法控制聚类数目,用内层遗传算法控制聚类的初始中心点,并采用类间距离和类内距离以及二者之间的比值来评价聚类结果的好坏,在算法终止后,可同时求得较优的聚类数目和某聚类数目下的较优初始中心点。此外,根据内外层遗传算法的特殊性,采用不同的编码策略适应算法需求,为保留优质个体,采用精英个体保留策略。通过UCI数据集测试实例证明此算法有很好的实用性,对数据挖掘技术有一定参考价值。

多特征组合与自动加权K-Means聚类算法的影像分类技术研究

为了提高遥感影像地物分类精度,提出了一种基于多特征组合与自动加权K-Means聚类算法的影像分类方法。首先提取影像的SIFT,GIST,颜色,Census和Gabor等多种类型特征,然后通过实验分析确定最佳特征组合。针对一般K-Means算法没有考虑各个特征值权重的问题,提出利用自动加权K-Means算法计算不同特征分量的权值,分别对SIFT,GIST和Gabor特征构建了基于权重的影像特征词汇表;然后利用稀疏编码算法进行影像编码;最后使用SVM算法完成影像分类。通过实验表明提出的方法能有效提高遥感影像分类准确性,并且具有较好的稳定性和鲁棒性。

JTIDS系统中RS码的性能分析

针对现阶段JTIDS系统采用的编码方案,在研究AWGN信道下不同k值的RS(31,k)码的纠错性能基础上,分析了RS(31,15)码的纠错性能,提出了一种RS(16,7)的编码方案。该方案在JTIDS的MSK调制背景下,通过对RS(31,k)码的研究,发现当k=23时性能最佳,进而对RS(31,23)码进行截短,实现了RS(16,7)码,分析了方案的性能。仿真结果表明:一方面,在RS(31,k)中,RS(31,23)性能最优;另一方面,在RS(n,15)中,RS(31,15)的性能最佳,即在相同信息位条件下,缩短码的性能较非缩短的类型性能差。

一种面向“互联网+”智能交通管理的车辆类型识别方法

针对现有智能交通管理中车辆类型识别方法存在分类器效率较低等诸多问题,通过构造一种新的分类器,建立了一种智能交通车辆类型识别新方法。首先采用边缘梯度直方图进行图像特征提取,然后通过融合纠错编码技术和K-近邻分类器构造新分类器实现车辆类型的分类。通过大量实验仿真分析比对表明,该方法不仅能将多类分类问题转化成多个两分类问题,而且使车辆类型识别效率提高了2%,鲁棒性好。因此,该方法在"互联网+"智能交通管理中具有广阔的应用前景和推广价值。

基于快速稀疏表示的医学图像压缩

随着数字医学图像数据量的日益增大,有必要采取一定的图像压缩技术进行压缩存储。为此,提出基于快速稀疏表示的医学图像压缩方法。使用K-奇异值分解算法构造医学图像过完备字典,采用批量正交匹配追踪(Batch-OMP)算法进行稀疏编码。该方法只需要存储稀疏编码非零位置的系数信息,利用过完备字典即可实现原始医学图像的重构。实验结果表明,该方法可提高图像稀疏编码的速度,与正交匹配追踪(OMP)算法相比可提速40%左右,并且图像重构效果优于联合图像专家组(JPEG)算法和多级树集合分裂(SPIHT)算法的压缩效果,相对JPEG压缩的图像峰值信噪比平均提高18%,相对SPIHT算法平均提高50%。