一种基于云模型和数学形态学的边缘检测算法

针对图像信息的不确定性,本文提出了一种基于云模型并结合数学形态学的边缘检测算法.该算法首先提取灰度图像的若干不确定面云,基于面云之间相邻、包含和相交的位置关系,利用云计算提取得到线云,使用数学形态学的边缘检测算子,对多种类型的边缘进行检测.最后进行了仿真试验,结果表明该算法对不同类型的边缘有一定的适宜度.     

一种多变量决策树方法研究

单变量的决策树算法造成树的规模庞大,规则复杂,不易理解.本文结合粗糙集原理中的相对核及加权粗糙度的方法,提出了一种新的多变量决策树算法.通过实例表明,本文的多变量决策树方法产生的决策树比传统的ID3算法构造的决策树更简单,具有较好的分类效果.     

模糊推理三I算法的连续性和逼近性

三I算法是一种新的模糊推理方法,可以作为传统的模糊推理方法的修改和补充.系统地研究了三I支持度算法和反向三I支持度算法的连续性问题,并指出了基于一些常用的蕴涵算子的三I算法具有逼近性.此结果对构建模糊控制系统和模糊专家系统时选用三I推理算法具有一定的指导作用.     

一种移动人体轮廓的两步提取法

移动人体轮廓提取算法作为移动人体跟踪的基础,在交通监控、客流量统计、运动分析、虚拟现实等领域都有很高的实用价值.本文根据灰度图像的背景分布与Sohel算子,提出一种结合自适应灰度阈值分割与人体梯度信息判定的两步移动人体轮廓提取算法.实验表明,该算法具有很强的实用性与鲁棒性.     

多方向灰度形态学边缘检测算法

本文介绍了基于灰度形态学的多方向边缘检测算法.基于边缘的多方向特征,构造了多方向的结构元素,并将边缘检测的过程与形态学开闲滤波相结合,提出了一种新的边缘检测算法.该算法在较好地检测图像边缘的同时很好地抑制了噪声.     

基于克隆选择的免疫粒子群优化算法

粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题.针对这一问题,在粒子群算法中引入免疫克隆选择算法的思想,提出了基于克隆选择的免疫粒子群优化算法(Immune Particle Swarm Optimization,ImmunePSO),即在算法进化过程中,引入克隆复制算子、克隆高频变异算子、克隆选择算子.成比例克隆复制可以使优良个体得到保护,加快算法收敛;高频变异为新个体的产生提供了新的途径,可以增加种群的多样性;克隆选择算子从所有子代、父代中选择出最优个体,避免算法退化.最后通过对基本测试函数的仿真试验,验证了算法不仅可以增加种群的多样性,加快算法的收敛速度,而且提高了最优解的精度,有效地避免算法陷入到局部极值.     

一类板弯曲方程的辛本征函数展开方法

本文研究一边简支对边滑支边界条件的矩形板方程的无穷维Hamilton算子本征函数系,证明该无穷维Hamilton算子广义本征函数系在Cauchy主值意义下是完备的,为应用辛本征函数展开法求解该平面弹性问题提供理论基础.进而推导出原方程的通解,并对该平面弹性问题指出什么样的边界条件可按此方法求解.最后应用具体的算例说明所得结论的合理性.     

基于贝努里分布的贝叶斯网络结构学习算法

目前,学习具有丢失数据的贝叶斯网络结构主要采用结合EM算法的打分-搜索方法和基于依赖分析的思想,其效率和可靠性比较低.本文针对此问题建立一个新的具有丢失数据的贝叶斯网络结构学习算法.该方法首先根据贝努里分布来表示数据库中变量结点之间的关系,并用Kullback-Leibler(KL)散度来表示同一结点的各个案例之间的相似程度,然后根据Gibbs取样来得出丢失数据的取值.最后,用启发式搜索完成贝叶斯网络结构的学习.该方法能够有效避免标准Gibbs取样的指数复杂性问题和现有学习方法存在的主要问题.     

基于离散数字编码的蚁群连续优化算法

本文提出了一种基于离散编码的蚁群连续优化算法(CACO-DE),用于求解连续优化问题.以往蚁群算法(AC0)的研究,以求解离散优化问题为主,较少涉及连续优化问题.与经典的ACO算法不同,CACO-DE将有限精度的实数转化为一个数字串,数字串的每位取0到9之间的数字,从而实现了用离散编码描述实数的效果.CACO-DE延用了经典ACO算法的框架,并加入了特殊的选择机制、信息素更新方式和局部搜索策略.测试实验结果表明:CA-CO-DE比以往同类算法求解速度更快且精度更高.     

一种无线传感器网络定位问题中的分簇算法

本文提出一种用于平面无线传感器网络定位的分簇算法.首先,锚节点根据地理位置划分感知区域;然后,通过拓扑发现过程和锚节点问的信息交换,实现锚节点对周围网络拓扑的感知;最后,根据就近原则将所有未知节点分配到以锚节点为边缘的各个子区域中,而分配到各个子区域中的未知节.点和边缘的锚节点,则构成网络中的各个簇,并由每个簇的主节点保存本簇内全部拓扑信息.该算法可以实现多跳节点的分簇,并且具有较小的通信量,可用于多种基于分簇的分布式定位算法中,有助于解决大规模无线传感器网络的定位问题.仿真实验结果显示,在锚节点按网格分布和随机分布两种情况下,该算法都可以得到良好的分簇结果.