让民兵的“家”红起来——云南石屏县人武部抓“青年民兵之家”建设纪实

云南省石屏县人武部在建设青年民兵之家的过程中,积极加强军地协作,坚持建管结合,注重效能发挥,使建成的115个青年民兵之家成为民兵政治教育的阵地、学习科技知识的课堂、开展文化活动的中心、播撒精神文明的窗口。7月上旬,云南省军区转发推广了他们的经验做法。     

基于样本加权的支持向量机预测方法

不同的样本对最终预测模型的贡献程度是不一样的。在分析了采用支持向量机解决回归预测问题基本原理的基础上,介绍了"预测误差权重"和"样本关联度权重"的两种样本权重确定方法,并将其引入到支持向量机预测模型中来,最后用实例证明了采用样本加权后的预测精度要更高,而采用"样本关联度权重"法的精度又比"预测误差权重"法的精度要高。     

基于未知权重的向量相似度效能评估

摘 要：针对现行的效能评估方法中出现的问题,提出了一种权重未知情况下的效能评估方法。基于传统的向量相似度评估方法,对评估模型进行了改进,解决了权重未知情况下的效能评估问题。实例结果表明,该方法切实有效,使得评估更为客观、合理、可信。     

无源雷达智能目标识别

现代战争给无源雷达目标识别提出更高要求。针对传统数据库匹配识别方法存在的识别率低和容错性差等缺陷,提出采用智能算法进行无源雷达目标识别,构建了无源雷达智能目标识别总体框架,并设计了支持向量机方法、神经网路方法和证据理论方法的算法运用框架。提出无源雷达智能目标识别的几个关键问题,为改进和提高无源雷达目标识别技术手段提供理论基础。     

软硬结合的迭代除法方案及其精度分析

大型机采用的软硬结合的迭代除法方案具有很高的计算速度,但存在精度合理性问题。经过大量随机数试算验证和算法的误差分析证明,本文中提供的优选除法方案,提高了除法精度,解决了精度合理性问题。该除法方案装机运行后,提高了大型机的适应能力和运算速度,改善了处理效果。     

支持原位计算的高效三角矩阵乘法向量化方法

向量化算法映射是向量处理器的难点问题。提出一种高效的支持原位计算的三角矩阵乘法向量化方法:将L1D配置为SRAM模式,用双缓冲的乒乓方式平滑多级存储结构的数据传输,使得内核的计算与DMA数据搬移完全重叠,让内核始终以峰值速度运行,从而取得最佳的计算效率;将不规则的三角矩阵乘法计算均衡分布到各个向量处理单元,充分开发向量处理器的多级并行性;将结果矩阵保存在乘数矩阵中,实现原位计算,节省了存储空间。实验结果表明,提出的向量化方法使三角矩阵乘法性能达到1053.7GFLOPS,效率为91.47%。     

多特征融合文本聚类的新闻话题发现模型

融合新闻命名实体、新闻标题、新闻重要段落、文本语义等多特征影响,提出基于多特征融合文本聚类的新闻话题发现模型。模型根据新闻的多特征影响,提出一种多特征融合文本聚类方法。该方法针对新闻标题、新闻重要段落等特征因素构建向量空间模型及相似度算法,基于潜在狄利克雷分配模型构建主题空间模型及相似度算法,针对命名实体构建命名实体模型及相似度算法,并将三种相似度算法形成最优融合。基于多特征融合文本聚类方法,模型改进了用于新闻话题发现的Single-Pass算法。实验是在真实新闻数据集上开展的,实验结果表明:该模型有效地提高了新闻话题发现的准确率、召回率和综合评价指标,并具有一定的自适应能力。     

二维矩阵卷积在向量处理器中的设计与实现

为了加快卷积神经网络模型的计算速度,便于大规模神经网络模型在嵌入式微处理器中的实现,以FT-matrix2000向量处理器体系结构为研究背景,通过对多核向量处理器体系结构的分析和对卷积神经网络算法的深入研究,提出将规模较小的卷积核数据置于标量存储体,尺寸较大的卷积矩阵置于向量存储体的数据布局方案。针对矩阵卷积中数据难以复用的问题,提出根据卷积核移动步长的不同动态可配置的混洗模式,通过对所取卷积矩阵元素进行不同的移位操作,进而大幅提高卷积矩阵数据的复用率。针对二维矩阵卷积由于存在数据相关性进而难以多核并行的问题,提出将卷积矩阵多核共享,卷积核矩阵多核独享的多核并行方案。设计了卷积核尺寸不变、卷积矩阵规模变化和卷积矩阵尺寸不变、卷积核规模变化的两种计算方式,并在主流CPU、GPU、TI6678、FT-matrix2000平台进行了性能对比与分析。实验结果表明:FT-matrix2000相比CPU最高可加速238倍,相比TI6678可加速21倍,相比GPU可加速663 805倍。     

银河机向量线性代数库的并行算法研究及优化

文中对YH-1标量线性代数库进行并行算法研究:改造串行算法,挖掘其中的向量成份,实行并行计算。根据并行机的特点采取有效的程序优化措施,设计出银河机向量线性代数库。该库采用各种直接解法的并行算法求解各类线性代数问题,精度好,运行速度快(当n=300时,向量库运行速度平均为标量库的13倍)。     

支持向量机规则提取

支持向量机是一种黑箱模型,其学习到的知识蕴含在决策函数中,不仅影响了用户对利用支持向量机技术构建智能系统的信心,还阻碍了支持向量机技术在数据挖掘领域的应用。由于对支持向量机规则提取进行研究有助于解决上述问题,因此该领域正成为机器学习和智能计算界的研究热点。分析了具有代表性的支持向量机规则提取算法,并提出该领域未来的研究重点。