基于设计结构矩阵、共同度量指标和最小描述长度原则的产品模块优化研究

针对目前产品设计过程中出现的结构划分模糊、易受设计人员个人主观因素影响,导致产品设计效率不高等问题,提出一种基于设计结构矩阵(Design Structure Matrix,DSM)、共同度量指标(M G&G)和最小描述长度原则(Minimum Description Length,MDL)优化产品模块的方法。以智能仓储物流系统中常见的物流装备穿梭车为例,构建产品模型结构关系DSM矩阵图,再结合M G&G指标和MDL指标,分析产品模型模块化程度,改变组件之间的关联关系,并采用该方法优化了穿梭车系统模块。研究结果证明了基于DSM、M G&G指标和MDL的方法在产品模块优化过程中的合理性和可行性,为产品开发、设计和优化提供了部分参考。

基于最小描述长度原则的各向异性扩散模型

各向异性扩散的最大特点在于它是有选择性的平滑过程,这种平滑过程在均匀的区域不受限制,而在跨越边界部分被抑制,因此噪声和一些无关的细节被平滑掉了,从而能够有效地实现图像保边缘平滑。在现有各向异性扩散模型中,偏微分扩散方程解的适定性和扩散系数中的梯度阈值的合理估计是尚未很好解决的问题。为此利用最小描述长度(MDL)原则发展了一种各向异性扩散模型,并与Lyapunov函数的p-范数相结合,改善了各向异性扩散模型中梯度阈值的估计方法,形成了一种性能较好的各向异性扩散非线性滤波技术。实验结果表明,该方法不仅能够更有效地识别噪声图像中的细节边缘,而且还保证了各向异性扩散模型的稳定性;改进的扩散模型,滤波效果优于传统的各向异性扩散模型,是一种较为理想的保边缘滤波方法。

一种高效的属性图聚类方法

图是描述现实世界各类复杂系统的一种普适模型,且许多实际应用中的图是大规模的.图的聚类是理解、分析和可视化大规模图的关键技术之一.现实世界的图往往包含丰富的属性信息,如何综合结构和属性信息进行属性图的聚类是一个新的挑战.大多数的现有方法或者将结构和属性转化为距离,基于传统方法进行聚类;或者只考虑某一方面聚类.文中结合信息论中最小长度原则,基于遗传算法,提出一种高效的属性图聚类方法GA-AGC.通过对属性图聚类问题建模,转化为最小描述长度原则问题;扩展标签传播方法作为遗传算法初始化方法,结合编码减小的局部变异方法,提出一种解决属性图聚类的遗传算法.文中方法无需设定聚类的数目,算法复杂度近似线性于结点和边的数目.真实数据集上的实验验证了算法的有效性和高效性.

基于最长公共子序列距离的主旨模式挖掘算法

针对现有主旨模式挖掘算法易受噪声干扰的问题,提出一种基于最长公共子序列距离的挖掘算法。在搜索过程中,该算法采用基于子序列距离判别的策略进行了有效的剪枝,对于非等长的候选模式,使用最小描述长度原则求其相关权重,据此选择出现频率最高、最能体现原时间序列特征的主旨模式。实验结果表明,与朴素式搜索相比,该算法的速度至少提升60%。