缺损数据下CM算法的改进

针对CM算法的估计值相对不够精确的问题,给出一种在缺损数据条件下,求分布参数的极大似然估计的迭代算法.算法首先通过CM算法求得不够精确的参数估计值,在所得估计值点处做平行切面.再把此切面方程与原参数估计函数方程联立,求相交曲线.在所求得的相交曲线处任取一点作为新的CM算法迭代初始值,重新进行迭代计算,进而得到较为精确估计值.在这个估计值点处,再做平行平面并进行判断直到所得估计值所在平面与原参数估计函数交点只有一个时停止.通过实例分析,用改进的算法所得估计更加精确,更加简单实用.

1种结合FCM聚类算法与粗糙集的林木提取方法

结合地物的光谱特征和纹理特征,利用模糊C-均值(fuzzy C-mean,简称FCM)聚类算法与粗糙集理论对无人机遥感影像进行林木提取研究。首先,提取特征参数,将提取的不同地物的光谱特征和纹理特征及地物类别构成粗糙集的决策表,其光谱特征和纹理特征为条件属性集合,类别为决策属性集合。其次,利用FCM算法与粗糙集理论对决策表进行特征约简,并以支持向量机(support vector machine,简称SVM)分类评估器来测试特征约简的精度,实现规则分类提取时特征向量的优选,减少特征冗余。最后,基于优选的特征,完成林木规则分类。试验结果表明,与其他方法相比,结合FCM聚类算法与粗糙集的林木提取方法可以降低错分率,能够取得较好的林木分类效果和较准确完整的树冠,其分类总体精度为91. 94%,Kappa系数为84. 20%。

PFP-CM算法及其在Matlab中的实现

PFP-CM算法是一种基于投影FP-growth的Co-location模式挖掘算法。给出了如何利用关联规则挖掘算法快速挖掘Co-location模式的方法,描述了PFP-CM算法的工作原理,并给出了该算法在Matlab环境中实现的详细步骤。

一种可配置的LDPC码最小和译码算法

在最小和译码算法(min-sum decoding algorithm,MS decoding)的基础上,提出了一种可配置的LDPC码最小和译码算法(configurable min-sum decoding algorithm,CMS decoding).在CMS译码算法的横向迭代过程中,用一个可配置的最佳修正因子与最小值的和来取代MS算法中所使用的次小值,从而省略了计算次小值的工作,大大降低了解码复杂度.仿真结果表明,在使用最佳因子的情况下,CMS算法能够达到非常接近MS算法的性能,具有较大的实用价值.用理论推导和蒙特卡洛仿真两种方法对不同信噪比下的最佳修正因子进行计算,两种方法得到的结果非常吻合.

三种基于图论的有限元结点编号优化算法

通过实便分析，叙述了三种基于图论的有限元结点编号优化算法的实现过程，对ＣＭ算法的编码方法进行了一些改进，并与其他几种算法的优化结果进行了对比。

完全数据下Weibull分布参数的极大似然估计

在完全数据条件下对Weibull分布,分别使用Newton-Raphson算法、CM算法及修正的CM算法进行完全数据Weibull分布参数的极大似然估计计算,并且在得到相应的迭代公式后,进行随机模拟.从模拟结果来分析这三种算法在处理Weibull分布参数的极大似然估计的优良性.

Weibull分布在完全数据条件下的参数估计

在完全数据条件下对Weibull分布,分别使用Newton-Raphson算法、CM算法进行完全数据Weibull分布参数的极大似然估计计算,并且在得到相应的迭代公式后,进行随机模拟,从模拟结果来分析这两种算法在处理Weibull分布参数的极大似然估计的优良性.

一种求JPEG初始量化矩阵的方法

针对目前双重压缩研究的问题,提出一种确定初始矩阵的新方法(a method of calculating primary quanti-zation matrix of JPEG,简称CM)。在未知双重压缩系数大小关系的条件下,CM方法通过剪切JPEG图像的方式获得与原始图像近似的特性,然后再通过对这些特性进行分析来确定初始量化矩阵。实验结果表明,CM方法能够确定初始量化矩阵,它是一种非常有效的方法。

复乘法生成安全椭圆曲线的研究

在经典的生成安全椭圆曲线方法复乘法(CM法)的基础上,研究一种能够更快产生安全椭圆曲线的方法。在经典CM法中,最为费时的一步便是对大数进行素性检测。笔者在此采用了更为快速的素性检测算法以提高整个算法的效率,能够更快速地生成安全椭圆曲线。

一种求所有最长增量子序列的算法

对计算最长增量子序列(longest increasing subsequence,LIS)的CM(Cover-Making)算法进行详细地分析,提出一个基于CM算法的新算法,可以求出一个序列的所有最长增量子序列。它的时间复杂度是O((m+1)k+(n-k)logk),空间复杂度是O(n+km)。