基于稀疏表示和非参数判别分析的降维算法

针对人脸识别问题提出一种新的监督降维算法。算法首先基于稀疏表示理论,利用同类样本间的稀疏重构来构建图。此方案不仅可以克服传统图构造方法中参数选择的困难,而且能够更好地刻画类内信息。然后,算法采用非参数类间离差来刻画类间信息,非参数类间离差在处理复杂分布数据时相比于参数类间离差更具判别力。最后,算法通过保持类内稀疏重构关系的同时最大化非参数类间离差来求得最优的投影矩阵。在ORL和Extended Yale B公共人脸数据库的实验表明,该算法能够获得较好的识别结果。     

基因短序列模式分析及其在5'剪接位点识别中的应用

短序列模式分析是基因序列分析的一个重要组成部分,在进行生物信号识别的时候,一般都会利用到短序列模式的信息。通常短序列模式的数目很多,如果每个都应用到生物信号识别中,会产生大量的参数,而且无法体现信号的主要特征。为了找出在识别信号位点中起关键作用的短序列模式,以信息增益作为评价依据,按照逐步选择的策略,将模式进行排队。根据排队结果,选取信息增益突出的短序列模式作为识别生物信号的关键依据,这样可以用较少的模式得到较好的结果。结合选取的短序列模式,用最大熵模型作为信号序列真实分布的估计,从而对给定序列进行识别。最后将这个方法用于5’剪接位点的识别,得到了满意的结果。     

高焓CO2气流壁面两步催化机制对非平衡气动加热影响的数值模拟

针对高超声速火星进入飞行遇到的壁面CO_2催化机制特殊且对气动加热影响复杂的问题,基于化学反应系统的三维可压缩流动求解器,建立壁面吸附、Eley-Rideal结合速率受控的壁面CO_2两步催化模型。基于70°球锥布局的高焓风洞实验,进行考虑壁面催化效应的高超声速非平衡气动加热数值模拟,开展考虑CO+O_((s))和O+CO_((s))两类CO_2两步催化路径对非平衡气动加热的影响研究。研究表明,壁面O_2和CO_2结合并存且存在相互竞争关系,催化加热量随催化效率增大而单调增加。数值计算建立了催化路径与非平衡加热水平的定量关联,研究发现CO_2两类催化路径权重与加热量存在非单调关联,特定权重下两种路径联合作用的热流高于单个催化结果。相关研究对碳氧气体主导的壁面催化机理和火星进入气动加热的精细化预测有重要的理论指导意义。     

战术MANET中基于多态转移策略的蚁群优化QoS路由算法

战术MANET的QoS路由计算是一个NP完全问题,可以采用蚁群优化算法来求解.为了提高蚁群优化QoS路由算法的效率,降低时延和网络开销,提出了基于多态转移策略的蚁群优化QoS路由算法(MTS-AQRA).MTS-AQRA将链路稳定性和路由拥塞度与常规的QoS路由约束条件结合起来,利用多态转移策略产生的多样化路由搜索蚁群和并行路由搜索处理,能够在MANET网络中快速地建立满足业务QoS要求的稳定路由.仿真实验结果表明,MTS-AQRA在分组到达率、端到端时延、网络吞吐量等指标上综合性能优于AODV、AntHocNet、QoS-Aware ACO等路由算法.     

校准方法和存内训练相结合的忆阻器神经形态计算方法

基于忆阻器的神经形态计算架构在图像分类、语音识别等领域取得了较好的效果,但当忆阻器阵列存在低良率问题时,其性能会出现明显下降。提出一种基于忆阻器神经形态计算的校准方法和原位训练相结合的算法,利用校准方法提高乘累加计算的准确率,并利用原位训练方法降低训练误差。为了验证所提方法的性能,采用多层感知器架构进行仿真。从仿真结果来看,神经网络的精度有明显的提高(近40%)。实验结果表明,与单纯的校准方法相比,采用所提方法训练的网络精度提高了约30%,与其他主流的方法相比,所提方法训练的网络精度提高了0.29%。     

高空气球地面充氦气量计算方法分析与试验评估

作为高空气球研究中的一个重要问题,气球在地面发放前充入的氦气量会直接影响其上升速度和驻空高度,进而影响平台的可靠性和稳定性。因此研究充氦气量的准确计算方法十分必要。建立了高空气球上升过程动力学模型,计算了气球初始升速的理论值,用于与实际初始升速对比,为评估充氦气量计算方法提供依据。归纳了三种较为典型的高空气球地面充氦气量计算方法,根据实际开展的飞行试验,分析对比了三种方法的准确性和误差范围。提出了浮力补偿规律,完成了对三种方法的评估。通过研究可以对现有充氦气量计算方法进行有效修正,进而为高空气球的实际飞行提供指导。     

一种基于混合搜索的高效Top-K最频繁模式挖掘算法

挖掘数据集中的Top-K最频繁模式具有重要意义.已有Top-K最频繁模式挖掘算法通常采用最频繁的k个项目作为初始项目,并将初始项目中频率最低的项目的支持度作为初始边界支持度.但实际组成Top-K最频繁模式的项目数目可能远少于k,从而制约了算法的效率.为此,提出了一种基于混合搜索方式的高效Top-K最频繁模式挖掘算法MTKFP.该算法首先利用宽度优先搜索获得少量的短项集,并利用短项集确定数目少于k的初始项目范围以及较高的初始边界支持度;然后利用深度优先搜索获得所有Top-K最频繁模式.实验表明,MTKFP算法所获得的初始项目数目至少低于已有算法70%,初始边界支持度高于已有算法;NTKFP算法的性能优于已有最好算法.