反映用户兴趣变化的协同过滤算法

针对传统协同过滤算法存在的两个弊端:一是传统的相似性度量方法在评分矩阵稀疏的情况下很难准确地反映用户间的相似性,二是不能及时反映用户的兴趣变化,提出一种新的相似性计算方法。此方法把基于用户兴趣度的相似性度量与基于项目相似度的数据权重结合,形成一种考虑用户兴趣变化的相似性度量方法。实验结果表明,改进后的算法集成了上述两种方法的优点,对传统算法中存在的两个弊端进行了改善,在推荐准确度上有所提高。

利用二部图匹配进行图像相似性度量

基于内容图像检索是多媒体信息检索领域研究的热点 ,而现有的算法和系统离成熟的应用还相距甚远 ,其检索效率和准确性都相当低 .提高基于内容图像检索性能的关键在于实现对图像的对象级访问 ,但是已有的很多的基于区域的图像检索算法和系统都没有考虑多区域的匹配问题 ,因而不具有一般性、实用性 .文中提出一种基于二部图最大权匹配的图像相似性度量算法 ,该算法建立在图像分割的基础上 ,由于它能有效地解决多区域图像相似性度量问题 ,并能有效地避免由于分割不准确带来的影响 ,因此能极大地提高检索的相关性和准确性 .

一种综合范例推理和规则推理的发现技术

提出一种新的范例推理 (CBR)和规则推理 (RI)集成的混合构造方法 ,该方法利用 RI的结果为新的查询范例的各属性设置相关权重 ,提高

一种态势估计中的目标编群方法

目标编群是态势估计的基础。传统模型大多采用空间上的聚类算法来实现目标编群,但这种方法误分率较高,效果并不十分理想。文章提出了一种新的态势估计中目标编群问题的处理模型。该模型首先应用神经网络对目标目的地做出判断,然后融合多相似性加权测度算法,完成对观测目标的编群。最后运用该模型给出了一个分析示例。

融合单纯形映射与熵加权的聚类方法

由于分类型和数值型属性特性的差异,设计混合类型数据聚类算法时通常需要对两种类型属性区别对待,增加了聚类算法的设计与实现难度。另外,不同属性所包含的信息量存在差异,但现有算法通常平等对待各个属性。提出了一种融合单纯形映射与信息熵加权的混合类型数据聚类算法。基于单纯形理论将分类型属性映射为高维数值属性向量,应用信息熵理论为各属性分配权重建立相似性度量公式,将该度量方法应用于K-Means算法框架得到聚类算法。在6个UCI的混合数据集上的实验表明,提出的聚类算法优于传统映射聚类算法和K-Prototype算法,在准确度上分别提高了2.70%和18.33%。

基于目的地预测的多相似加权目标编群方法

针对目标编群中单一算法存在的适用范围小、误分率高的问题,提出一种新的态势估计中目标编群的处理方法。首先应用Hop fie ld神经网络对态势中目标的目的地做出判断,然后采用多相似性加权策略计算出目标间的相关系数,再根据最大相关系数层次聚类算法实现编群。仿真结果表明方法能在一定程度上减小错误编群的概率,同时适用范围也得到了扩展。

基于方向权值的立体匹配

立体匹配是三维重建问题的重要环节,良好的稠密视差图是恢复立体三维结构的先决条件。针对区域立体匹配策略、固定的窗口大小内视差不一致与匹配信息不够丰富的问题,提出了一种新的相似性测度函数和方向权值算法。首先,通过新的相似性测度函数建立两点的匹配代价;其次,在该点邻域内依据方向权值算法聚合窗口内的匹配代价;最后,通过WTA(Winner Take All)算法计算初始视差图,并根据左右一致性约束优化得到最终的稠密视差图。该方法较传统的区域匹配算法,匹配精度得到提高,算法运行效率也得到了提升,经实际验证该算法的稳健性较好。