简介：

简介：

简介：基于化学识别的蚁群聚类算法无需给定聚类数目就能自动实现数据集的聚集,但大量采用随机策略使得蚂蚁达到平衡的运行时间长,效率不高。为此提出了一种用K-means算法做初次聚类、蚁群聚类算法再次聚类的新算法,结果表明该算法具有较高的正确率。最后将该算法应用于系统应用协同中,得到了较好的分析结果。

简介：港口吞吐量预测是港口决策和规划的基础。为了合理预测港口吞吐量,本文利用外贸进出口总量、第一产业总产值和第三产业总产值作为BP神经网络的输入变量,港口吞吐量为输出变量,建立了港口吞吐量预测的BP神经网络预测模型。然后根据2000年-2010年广西北部湾港口吞吐量、外贸进出口总量、第一产业总产值和第三产业总产值,利用Matlab6.5软件的神经网络工具箱,通过对BP神经网络模型的反复训练,发现当隐含层节点数为6,学习率为0.05,训练次数为500次,训练精度为0.001,动力因子为0.9时得到的效果最好。并对BP神经网络模型与多元回归模型的预测结果进行比较分析,认为BP神经网络模型预测的总体效果更优。最后利用所确定的BP神经网络模型,对2011年和2012年两年的港口吞吐量进行了预测。

简介：摘要计算机算法是计算机进行计算过程执行的具体体现，在计算机实践应用中发挥着至关重要的作用。因此，有必要学习与掌握计算机算法，加强对计算机技术的了解，提升计算机知识与技术的学习与应用质量。本文基于已有学习经验，通过相关文献资料梳理，对计算机算法进行了简要分析。

简介：当点扩展函数未知或不确知的情况下,从观察到的退化图像中恢复原始图像的过程称为图像盲复原。近年来,图像盲复原算法得到了广泛的研究。本文在介绍了盲图像恢复算法的现状的基础上进一步研究其的发展方向。

简介：摘要利用2008年1月1日至2012年12月31日逐日NCEP再分析资料（1×10）和大同地区地面常规观测资料，选取相邻两天的气象因子差值作为预报因子，相邻两天的日最高/最低气温的差值作为目标因子，分站点分月构建三层结构的日最高/最低BP神经网络模型，并应用独立样本进行模型检验，结果表明，该模型输出结果与实况拟合较好，且其对明显的升降温过程能够准确预报。在对ECMWF数值预报产品释用基础上，针对大同站2012年1月最高气温进行了24h、48h和72h模拟预测，结果显示，该BP神经网络预报模型各时效预报准确率TS评分均高于中央气象台MOS预报。

简介：针对现有的社团划分算法过分粒度化和基于模块度优化存在的局限性，本文引入万有引力的思想，假设社团是由节点之间存在虚拟力牵引聚集而成，提出了一种基于虚拟力作用的社团划分算法。在已知社团结构的真实网络中与GN算法、CNM算法等经典算法对比测试，发现本算法不仅能够给出更加准确的网络的社团结构，还具有较高可靠性和接近线性的时间复杂度。

简介：分形理论及其应用在近20年里得到了突飞猛进的发展,但使用中的缺陷也日趋引起人们更多关注。尤其其算法中的繁杂的计算过程、盒子分割的无目的性和不能体现分形几何的特性使得在应用中的几何形状问题、分辨率问题和填充率问题日趋明显。为此,本研究有针对性地提出了实分形、虚分形和分辨率及填充率计算方法,并结合上述概念改进了盒维数计算公式,通过对比与分析发现该法不但计算结果精确还体现了形状、机遇和维数三要素。

简介：差分进化算法是一种新的进化计算技术，具有良好的优化性能，但是对于高维多模态函数，算法易早熟收敛；其优化性能受差分进化模式类型及演化控制参数取值的影响较大。为此，提出自适应加速差分进化算法，该算法利用混沌的遍历性产生初始群体，以克服种群体初始化时的盲目性和随机性；其次随着搜索过程的进行随机自适应地调整缩放因子和选取差分进化模式，以减少人为因素影响，增强搜索能力。通过对多个函数进行仿真试验研究，结果表明该方法寻优效果显著，明显减少了迭代次数，提高了计算效率。

简介：摘要：天然气管道的输送介质是易燃、易爆的物质，含有多种杂质，对管道的腐蚀，使管道在内外腐蚀的条件下非常复杂，管道的缺陷使问题更加严重。一旦发生爆炸、泄漏、停车等事故，将造成严重后果。近年来，管道泄漏事故时有发生，对环境造成了极大的危害，因此预测管道的腐蚀速率具有重要的意义。本文将以 VMD-BP神经网络应用于天然气管道工况的检测。以天然气管道里程、高差、管道倾角、压力、雷诺数为输入参数，以管道最大平均腐蚀速率为输出参数，建立了天然气管道内腐蚀速率预测模型。结果表明 VMD-BP神经网络具有较好的拟合精度和预测效果，基于该模型的腐蚀速率预测更加可靠。结果表明， VMD-BP神经网络算法收敛速度快，预测精度高，能有效检测天然气管道，满足实际应用的要求。

简介：为避免演化算法在求解多峰函数优化问题时对冗余空间的过度搜索,提高差异演化算法的搜索效率,提出一种新的基于空间收缩的种群灭亡差异演化算法(DEESC),通过最优个体收缩可行空间,用均匀设计方法反复初始化种群,并且讨论了DEESC的主要参数敏感问题.

简介：PID控制技术成熟，广泛应用于化工生产过程控制中，阐述PID控制的典型结构，调节方法，主要阐述基于遗传算法的PID控制技术。

简介：基于成员角色，提出了一种骨干网挖掘算法，对football，netscience和hep-th等网络载体进行了实验和数据分析，结果表明所得到的骨干网络能较好体现网络的骨干结构特征。同时提出了一个骨干网性能的度量指标——CP值，实验表明该指标能较好地权衡骨干网规模和中心性等度量因素。

简介：丁福保、周云清编写的《四部总录·算法编》出版于1956年，它的结构是除了自己编撰的正文之外，又将梅文鼎、刘铎等人的书挑选后列入书目中，称为“补遗”，还将一些散见的书目收集起来作为“拾补”，从而使古算书目趋于完善。它的内容的最大特点是标明了所列书的存佚状况，并将一些书目按现代分类法进行了分类。

简介：关系数据的聚类算法对于传播研究意义重大,首先运用迭代系统隐喻个体结构的变化,用输出与状态的包含距离表示关系的非对称同时也确定拥有最高结构等级序列的节点来代表簇;再将Hausdorff距离引入DBSCAN算法,使得同结构节点进行合并的加和算子和层次上卷的并算子变得可压缩。运用复杂网络研究人员的数据对算法的有效性进行了评估,分层后的人员合作网具有不同的网络结构特征;关键词在层次2网络中的传播效率高;互惠关系在知识传播中的作用最大。新的发现证明算法通过引入Hutchinson算子的可压缩测度Hausdorff距离使得网络结构对传播效果的影响得以体现,该算法的设计思路是正确的。

简介：为更好地预测城轨列车故障率,提出基于粒子群算法优化的BP神经网络（PSO-BP）的故障率预测模型,对城轨列车转向架轮对轴箱进行故障率预测。采用Matlab中的Newff函数,运用误差反向传播神经网络（BP）和粒子群算法优化的BP神经网络（PSO-BP）分别对城轨列车故障率预测、建模和仿真。结果表明PSO改进的BP神经网络故障率预测模型的效果明显优于传统BP神经网络预测模型。

简介：传统的局部适应度社团发现算法（LFM）在社团结构模糊的网络中精度下降严重。针对此问题,提出LFMJ算法。利用邻居节点信息和改进的杰卡德系数重构网络,使网络结构更为清楚,社团划分结果更为准确。为验证算法,选择了5种算法在LFR网络和真实网络中进行测试,包括LFMJ、LFM和传统的LPA算法以及性能较好的WT和FUA算法。结果表明：在标准LFR网络中,LFMJ精度高于LFM和LPA,与FUA和WT相当;在真实网络和具有重叠结构的LFR网络中,LFMJ精度优于其他4种算法。

简介：给出一种标号的二分图公交网络模型，在此模型基础上给出线路换乘与最优出行路径的算法，这种算法充分利用标号信息给出站点网络图的边权函数。基于站点网络图不仅能够搜索换乘线路而且能够找到最短路径。最后利用天津市部分公交系统验证了该模型及方法的有效性。

简介：摘 要 : 针对于当今监控系统大多只起拍摄作用而无智能监控手段的问题，提出了基于目标检测算法的智能监控系统。在运用目标检测算法与人脸检测算法的基础之上，利用这些算法实现了能够检测移动目标并进行图像之中人脸的检测与提取，从而当陌生人进入时系统能够精确识别。实现了智能化监控，极大提升了监控的准确性与安全性。 关键词：目标检测、人脸检测、 智能监控 引言 智能视频监控系统无需监控人员持续地盯着屏幕，减轻了工作人员的负担，并具有主动性和实时性的优势。智能视频监控系统的主要职责是利用计算机视觉技术从视频图像中检测、跟踪、识别人脸，并对该主体的行为进行理解。 一、系统设计原理 该系统在原视频系统的监控功能基础上，还增加了以下功能： 包括固定传感器布控预警、华为云平台 Atlas200DK智能摄像头、数据处理系统、可视化一体平台。其中可视化一体平台包括人员属性检测采集系统和视频结构化回溯系统实现人脸信息采集的智能化分析及预警。 （ 1）视频监控系统具有人脸识别能力。要求系统能够自动捕捉出入监控范围的人员脸部图像与数据库信息进行比对 , 并自动识别判断是否为可疑人员上传至数据库处理系统。数据处理系统通过算法模型进行人脸识别并与云数据库中的信息比对，若信息不匹配，则智能启动无人机，无人机将进行目标追踪。 （ 2）系统会将收集到的信息上传至可视化一体平台。固定摄像头拍摄图像信息上传到数据处理系统，数据处理系统通过数据处理算法和可视化数据分析上传至可视化一体平台。无人机拍摄可疑人员后自行处理并上传至可视化一体平台呈现给用户。 二、算法分析 2.1目标检测算法（ YOLO v3） YOLO v3采用帧间差分法进行图像提取，且采用多个 scale融合的方式做预测。原来的 YOLO v2有一个层叫： passthrough layer，假设最后提取的 feature map的 size是 13*13，那么这个层的作用就是将前面一层的 26*26的 feature map和本层的 13*13的 feature map进行连接，有点像 ResNet。当时这么操作也是为了加强 YOLO算法对小目标检测的精确度。这个思想在 YOLO v3中得到了进一步加强，在 YOLO v3中采用类似 FPN的 upsample和融合做法（最后融合了 3个 scale，其他两个 scale的大小分别是 26*26和 52*52），在多个 scale的 feature map上做检测，对于小目标的检测效果提升还是比较明显的。 YOLO v3中对前面两层得到的 feature map进行上采样 2倍，将更之前得到的 feature map与经过上采样得到的 feature map进行连接，这种方法可以让我们获得上采样层的语义信息以及更之前层的细粒度信息，将合并得到的 feature map经过几个卷积层处理最终得到一个之前层两倍大小的张量。 图 1 帧间差分法算法流程图