Incorporating Prior Knowledge into Kernel Based Regression

在一些，样品基于回归任务，观察样品是相当很少足够增进知识。作为结果，在样品和模型复杂性的数字之间的冲突出现，并且回归方法将面对窘境是否选择一个复杂模型。合并优先的知识是这窘境的一个潜在的解决方案。在这份报纸，一种优先的知识被调查，把它合并到核的一个新奇方法基于回归计划被建议。建议优先的 knowledge based 核回归(PKBKR ) 方法包括二 subproblems：在函数空间代表优先的知识，并且联合这个代表和训练样品获得回归函数。为代表的步的一个贪婪算法和为加入步的加权的损失功能被建议。最后，实验被执行验证建议 PKBKR 方法，结果在那里证明建议方法能与适当模型复杂性完成相对高的回归性能，特别当样品的数字是小的或观察噪音大时。

基于Takenaka-Malmquist系的语音信号压缩与降噪方法

语音信号的稀疏表示是语音压缩与降噪等语音处理的关键技术之一.在匹配追踪(matching pursuit,MP)、正交匹配追踪(orthogonal matching pursuit,OMP)等算法的基础上,提出了一种基于Takenaka-Malmquist系的贪婪权值算法(a greedy weight algorithm based on the Takenaka-Malmquist system,TMGW).采用TMGW对语音信号进行重构时只需要较少的分解项数,从而达到语音压缩的目的.同时,根据稀疏分解后信号与噪声在时频面上能量分布不同的特点,该算法可实现对含噪语音的降噪.实验结果表明,TMGW比基于自适应Gabor子字典的匹配追踪算法(matching pursuit algorithm based on the adaptive Gabor sub-dictionary,GMP)更适用于语音信号的稀疏表示.

拟阵贪婪算法在景区装饰灯中的应用

该文立足于实际，就如何在景区设置装饰灯问题给出了数学模型及求解步骤。在解决过程中采用了拟阵的贪婪算法，此算法简洁、易行。

求解社区项目博弈的一种改进贪婪算法研究

针对社区项目博弈的一般模型,应用贪婪算法求解项目博弈的近似社会最优指派,给出参与者重加权分配机制,证明贪婪算法求得的指派恰好是非合作项目博弈的一个纳什均衡.定义控制参数,给出边际效益后悔值定义,利用后悔值改进了贪婪算法,证明基于后悔值贪婪算法求得的指派是非合作项目博弈的一个纳什均衡.通过数值仿真实验发现,与模拟退火算法比较,贪婪算法能够得到更好的社会效益,而且基于后悔值贪婪算法比贪婪算法得到更好的社会效益.