利用最小化代价函数方法实现多窗口谱分析

利用最小化代价函数的方法推导了一种谱分析的多窗口。性能分析的结果表明，此方法与离散长球序列多窗口谱分析方法具有相当的估计偏差与方差性能。与离散长球序列多窗口相比，此方法得到的多窗口具有直观的解析表达式而无须求解矩阵的特征分解问题，因而具有较小的计算量。通过对离散白噪声与ＡＲ过程进行的多窗口谱分析对比实验，验证了此方法的有效性和正确性。

数据仓库中实体化视图的重计算代价最小化问题的研究

数据仓库中实体化视图的重计算问题实际上就是由视图的结构发生变化而引起的。对基本关系的每个可能的Schema模式变化,必须对视图重计算而得到新视图,这种重计算过程是需要付出代价的,为了使视图的重计算代价最小化,不应该对新视图中的所有数据都重新计算一遍,而应该通过一定的算法保留旧视图中的数据,只通过重计算而获取新数据,这样就可以使视图的重计算代价最小化。

基于代价损失函数的空中目标决策划分方法

面向为空中威胁目标提供威胁等级划分并提供辅助打击决策,基于改进的VIKOR法和三支决策中损失函数与阈值之间的关系,对威胁估计和决策划分问题方法进行研究。对评估属性进行分析建模,并利用AHP法计算权重。建立三支模型,利用改进的VIKOR法计算目标条件概率完成目标威胁排序。通过结合三支决策模型中的代价损失函数和阈值参数之间的关系,将求阈值与代价损失函数的方法转化为最优化问题,并利用PSO算法解决问题。最后,结合所得阈值,对论域内目标进行威胁等级与决策划分。实例分析表明,该方法在一定范围内保证最小的威胁等级和决策划分代价的同时考虑了决策者的心理,达到预期的目标威胁评估结果。

云环境下中间数据集存储问题代价最小化算法研究

云环境下科学工作流在运行过程中会产生大量有价值的信息以组成中间数据集,但数据集存储代价较大。因此通过阐述单云条件下线性工作流中间数据集存储问题代价最小化算法过程,指出该问题基本概念,阐明多云条件下线性工作流中间数据集存储问题代价最小化传统算法并提出改进算法,最后指出未来研究方向。

用遗传算法的测试用例最小化

回归测试就是验证对程序的修改是否达到了预期的目的,同时检查修改是否损害了程序原有的正常功能。随着程序新版本的不断推出,测试用例集不断扩大,回归测试成本越来越高。测试用例最小化就是从已有的用例集中,找到一个测试运行代价最小的用例子集用于回归测试,并保持原来的测试覆盖率。本文主要研究用遗传算法解决测试用例最小化问题:基于测试历史数据,设计基因编码并构建初始种群;利用测试覆盖率和测试运行代价设计适应度函数;通过遗传算子完成进化过程并找到最优或近似最优解。最后本文给出了对算法进行实例研究的结果。结果表明,本文提出的用例最小化技术能有效缩减回归测试用例集,大幅度降低回归测试费用。

由不交化矩阵求最小割集的改进算法

利用早期不交化法求解最小割集是目前进行故障树定性分析的一种有效方法。但不交化最小割集矩阵行数随着故障树规模的大小呈指数增长,对于数万乃至数百万行的不交化矩阵求解最小割集的过程就会慢得让人无法接受。通过对原算法的分析和改进,采用静态指针法建立动态数组,避免了原算法最耗时间的对不交化矩阵的排序运算。通过与原算法的对比分析,结果验证了本算法的有效性。

基于遗传蚁群融合算法的测试用例最小化研究

为缩减测试用例规模及降低回归测试成本,提出一种基于遗传蚁群融合算法的测试用例最小化方法。采用遗传算法进行遗传算子操作,其结果作为蚁群算法的初始信息素分布。使用蚁群算法进行蚂蚁路径转移和信息素的更新,得到最优解。实验结果证明,该方法能有效减小测试用例集规模,缩短运行时间,提高最小化效率。

测试用例最小化研究

给出了测试用例最小化问题的形式化描述,提出并实现了两个新的用于用例最小化的算法。与现有其他最小化算法不同,这两个算法在考虑了每个用例测试覆盖度的同时,还考虑了用例的测试运行代价,目的是提高最小化效率。最后给出了对这两个算法进行实例研究的实验结果。结果表明,用例最小化技术能有效缩减回归测试用例集的尺寸,大幅度降低回归测试费用,提高最小化效率。

基于结构风险最小化的TS模糊模型辨识研究

针对TS模糊模型的后件参数辨识,为了避免传统意义上以经验风险最小化来求解参数,同时考虑到如何控制模型结构复杂性以及经验风险又要最小,提出了一种基于最小二乘支持向量回归(LSSVR)结构风险分解建立新的代价函数来辨识TS模糊模型。紧接着,以该代价函数作为优化目标,TS模糊模型为约束条件,通过引入拉格朗日方法对其求解,最终得到模型的后件参数。该方法有如下显著特征:1)引出的代价函数是基于结构风险而非经验风险;2)计算过程不仅避免了核函数的选择,而且仅对原输入数据空间做内积;3)全局与局部性能得到保证。最后,论证了该方法的有效性和优越性。

数据仓库中实体化视图的一致性维护问题的研究

实现实体化视图是提高系统响应时间的一个关键技术和有效的解决方案,但在具体的实现过程中面临着实体化视图的一致性维护问题。由于源数据的不稳定性,其结构和数据的变化必须及时传播到实体化视图中,以保持实体化视图与源数据的变化一致性,否则会降低实体化视图中数据的新鲜度,并影响OLAP查询结果的真实性和有效性。为此本文针对视图的一致性维护问题,介绍了视图中数据的维护方法,同时还就实体化视图结构的维护,提出了使视图重计算代价最小化的解决方案和基本算法。

一种虚拟化深度包检测部署机制

网络功能虚拟化转变了网络架构和网络业务的部署。在网络功能虚拟化架构中,实现虚拟化深度包检测只需在传输路径上进行一次扫描,但高效部署深度包检测功能引擎成为难题。将深度包检测功能部署问题形式化为线性规划问题以满足约束条件,并提出一种基于代价最小的贪婪算法和优化的贪婪算法来解决深度包检测功能部署问题。该算法对部署代价和网络资源代价进行折衷,实现了最小化的部署代价。实验结果表明,所提算法能够实现深度包检测功能部署并取得近似最优解。

混合SDN的多目标路由优化算法

为充分利用SDN(Software Defined Network,软件定义网络)节点的优势来优化网络性能,混合SDN的流量工程成为当前的研究热点,而路由优化是实现流量工程目标的重要策略之一。但是,当前混合SDN的流量工程中未考虑网络整体的负载均衡以及SDN节点的处理能力。针对上述问题,提出了一种多目标路由优化算法——MCS(Minimum Cost Sum,最小化代价和),综合考虑整个网络的传输延迟与链路利用率,同时保证SDN节点的处理能力满足实际约束,最终实现全网综合性能的最优化。实验结果表明,当网络整体负载较轻,MCS与现有的SOTE(SDN/OSPF Traffic Engineering,软件定义网络/开放最短路径优先流量工程)算法性能相近;而当网络负载加重时,MCS相比于SOTE,可将网络负载降低约9%,因此,MCS算法具有更高的优化能力。

基于运动约束的泛化Field D~＊路径规划

为了解决基于栅格的路径规划算法因环境描述的离散化导致规划结果不能满足机器人运动约束,以及单一路径代价的局限致使算法无法适用于复杂环境的问题,提出一种基于运动约束的泛化Field D*算法.该算法的代价函数可同时考虑路程、行驶安全以及行驶时间等一个或多个行驶代价.根据机器人运动模型的特性,在路径点提取过程中结合机器人的最小转弯半径,进行满足运动约束的路径平滑.该算法在多组模拟的复杂环境栅格地图中进行测试,实验结果表明,算法对复杂环境有很好的适应性,同时有效提高路径的可执行性.

基于模糊聚类的医院计算机网络信息安全风险监测方法

在传统的网络信息安全风险监测研究中,缺乏对计算机网络自身运行特征,导致对风险的漏检程度相对较高,为此,提出基于模糊聚类的医院计算机网络信息安全风险监测方法研究。构建计算机网络信息的统计分析模型,根据计算机网络信息的特征分布情况,对原始网络信息中的特征进行融合重构,使网络数据转化为以主成分特征参量为核心的形式。再利用关联规则特征检测方法,通过获取信息中的谱特征,实现对网络运行状态中频率分量地监测,并统一了网络信息统计特征值的表达方式。对于得到的特征值,以最小化代价目标函数为基础进行模糊聚类,根据特征与聚类中心的隶属度关系,判定网络中是否存在信息安全威胁风险。在测试结果中,设计监测方法对不同类型网络攻击风险的漏检率始终低于5.0%,与对照组相比具有明显优势。

模式伴随化的基本规则及其代价分析

从程序语法结构而不是从具体问题本身出发,提出了基于最小程序行为分解的模式伴随化方法.此方法无论在算法设计上还是在软件实现上均更具普遍性,并具有许多独特的优点.它保留了断点存储技术在减少浮点计算量和降低存储开销方面的优点,同时克服了其仅仅适用于计算过程均匀可分假设的局限性.首先给出了模式伴随化实现的基本规则,详细介绍了基于最小程序行为分解的模式伴随化方法.然后,基于自动微分(AD)基本假设定义了可分程序空间和微分代价函数,得到了两个反映计算微分代价的基本常数σ和μ.在计算过程均匀可分性假设下,讨论了断点存储在浮点计算量和空间存储开销上的最优实现,证明了深度划分在这两个方面同时具有对数复杂性的结论.最后,详细论证了基于最小程序行为分解的模式伴随化方法在浮点计算量和空间存储开销两个方面同时具有过程引用和划分深度依赖性.

基于小波系数相关性的图像自适应空域隐写术

定义图像中像素的嵌入失真是图像自适应隐写中的关键。为提高图像自适应隐写的安全性,根据最小化嵌入失真原则,提出了一种基于小波系数相关性的图像自适应空域隐写术。首先以一维高通、低通滤波器为工具构造方向滤波器;然后沿水平、垂直、对角线方向对图像进行方向滤波,并根据小波系数与其邻域系数的相关性对失真函数进行设计;最后根据像素的嵌入失真值,利用网格码(STC)对秘密信息进行嵌入。实验结果表明,该隐写术能够将嵌入区域集中在内容复杂的纹理区域,且能够有效抵抗通用隐写检测算法的分析。

改进的神经预测控制及其应用

广义神经预测控制是一种滚动时域控制方法,需要使用最小化代价函数来实现对控制输入的优化,而最小化代价函数需要较大的计算量,该文将时滞神经网络用于神经预测控制,改进了传统广义神经预测控制的学习算法,仿真实验结果表明了所提方案的优越性.

基于多项式螺旋线的智能叉车路径规划研究

针对智能叉车能否精确到达目标点的问题,设计了一种基于多项式螺旋线优化的路径规划算法。首先,分析了叉车的作业流程,明确了叉车路径规划的任务;然后,研究了叉车的运动学模型和多项式螺旋线的基本性质,利用多项式螺旋线的对称性、缩放性,将目标点变换至第一象限单位圆上,利用多项式系数的线性关系减少了优化变量的数目;考虑路径的起终点状态约束和叉车的运动学约束,构建了基于多项式螺旋线的曲率代价最小化目标函数;最后,在MATLAB环境中,通过选取23种典型规划场景对算法进行了仿真实验,并对实验结果进行了分析。研究结果表明:叉车路径满足起点和目标点的状态约束,符合叉车的作业需求;路径曲率符合叉车的运动学约束;该算法对规划起点的转向角无特殊要求,对于目标点横向距离和航向角偏差较大的场景仍然适用,该结果验证了该算法的可行性。

嵌入非对称拒识代价的二元分类算法

针对传统分类算法隐含的假设(相信并且接受每个样本的分类结果)在医疗/故障诊断和欺诈/入侵检测等领域中并不适用的问题,提出嵌入非对称拒识代价的二元分类问题,并对其进行简化.在此基础上设计出基于支持向量机(SVM)的代价敏感分类算法(CSVM-CRC).该算法包括训练SVM分类器、计算后验概率、估计分类可靠性和确定最优拒识阈值4个步骤.基于10个Benchmark数据集的实验研究表明,CSVM-CRC算法能够有效降低平均代价.

理清常态化疫情防控“十本账”

在疫情防控常态化背景下,广大基层党组织要实现疫情要防住、经济要稳住、发展要安全。如何用最小代价实现最大防控效果?关键是提前理清“十本账”。重点人员“底册账”。基层党组织是“外防输入”的第一道关卡,是重点人员管控的“第一道防线”。