分享到:

相对排序算法

排序是计算机算法设计中的重要运算,本文提出一种以相对大数右移,对  (本文共3页) 阅读全文>>

燕山大学
燕山大学

基于监督序学习的图像排序模型研究

随着互联网技术的迅猛发展,电子产品的高端化,手机、数码相机、平板电脑等拍照设备的触手可及,使得拍照途径更加多样化,同时网络上传和共享技术的发展使更多的图像、视频等媒体不断涌入互联网并持续传播扩散。怎样将这些图像进行合理的组织和管理已经成为多个学术领域甚至产业界日益关注的问题。基于此,本文在分析国内外相关研究成果的基础上,对图像排序模型进行了研究,并提出了一些图像排序算法。首先,为相对属性建模并对基于相对属性的拥挤度排序算法进行研究。该算法首先学习了相对属性,即利用对属性强度的估计值代替二值属性中属性存在与否的预测,然后为成对出现的训练样本图像打分并排序,再结合训练样本的特征,学习一个拥挤度属性排序函数,最后根据该函数为测试图像打分并排序。其次,以个人审美为基础,对个性化人脸美感排序算法进行研究。首先依据个人审美观利用一种等级排序方法为训练图像排序。为了降低排序操作复杂度,该排序分成两个步骤:按等级分类和排序。然后分别提取图像的S...  (本文共64页) 本文目录 | 阅读全文>>

电子科技大学
电子科技大学

演化网络中节点的排序算法及其应用研究

网络科学作为一门新兴学科在近二十年中迅速发展,由于复杂系统普遍存在于自然界及社会系统中,复杂网络作为描述复杂系统的有力工具,关于它的研究涉及了广泛的科学及工程问题。网络中节点的重要性排序问题是网络科学中的一类普遍而重要的研究课题,并且有广泛的科研及应用价值,例如网络中高影响力节点的识别、网页搜索引擎中对网页的排序、在线购物平台中对商品的排序等,节点的重要性排序问题一直以来受到广泛的研究,以往的研究在不同的背景下提出了纷繁多样的节点重要性排序算法。目前,绝大部分传统的节点重要性排序算法默认的研究对象是静态网络,即网络的结构不随时间改变。然而在现实世界中的许多网络会随着时间演化,针对静态网络的节点排序算法将因网络结构随时间的改变产生偏差,因此研究针对演化网络的节点排序算法具有实际意义。与此同时,研究表明在如网页搜索引擎等的诸多场景中,节点的排序算法也对网络结构的进一步演化产生影响,而如何研究节点的排序算法对系统产生的长期影响仍是一个...  (本文共69页) 本文目录 | 阅读全文>>

华北电力大学(北京)
华北电力大学(北京)

MMC电磁暂态通用建模算法及其实现方法

模块化多电平换流器(modular multilevel converter,MMC)已在直流电网和新能源汇集等领域发挥重要作用。MMC中的子模块(submodule,SM)的数目因工程需求正不断增加,且各种功能先进结构复杂的单端口子模块拓扑正不断涌现,而随着对MMC的功能要求的不断增多,各种功能多样结构更加复杂的多端口子模块也不断的出现。针对MMC电磁暂态仿真效率低下的问题,目前已有的许多MMC模型可大幅提高仿真效率并保证很高的仿真精度,然而已有的单端口子模块MMC模型大都基于半桥和全桥子模块建立,而对于多端口子模块来说,现有模型仅对双端口子模块MMC进行了建模分析,因此现有模型通用性较差。因此,急需建立高效率高精度的通用的电磁暂态模型来适应各种不断出现的单端口或双端口子模块拓扑以满足仿真速度和精度的需求。针对上述问题,首先针对结构较为简单的任意单端口子模块构成的MMC进行研究,以戴维南等效模型和嵌套快速同时求解算法为基础,提...  (本文共77页) 本文目录 | 阅读全文>>

电子科技大学
电子科技大学

社会经济系统的空间结构与动力学研究

社会经济系统是一类重要的复杂系统,涉及到人类经济活动与所处社会环境的复杂相互作用。人类的认识和行为不断发生变化,主观决策过程极大地影响社会经济系统的运行。精准和及时地感知社会经济态势,揭示和理解社会经济发展规律,有重大的理论意义和应用价值。洞察社会经济发展中各方面的状态,并对其发展趋势进行准确的预测,有助于科学地指引社会经济决策。揭示个体的社会经济行为模式,能帮助逐渐实现预测性管理。刻画宏观的社会经济结构,有助于探寻经济发展路径。如何有效地分析社会经济系统的结构与演化规律,是多学科交叉研究领域所关注的重要科学问题,近年来得到了包括计算机科学、网络科学、复杂性科学、统计物理和社会经济学在内的很多相关学科的极大关注。传统的社会经济研究依靠定性或半定量方法,导致不容易从机制层面认识相关问题。利用传统普查数据计算宏观经济指标,整个过程不但消耗大量资源,而且时间滞后很长。不仅如此,传统分析方法难以洞察经济发展的结构转变,无法刻画经济发展过...  (本文共205页) 本文目录 | 阅读全文>>

浙江大学
浙江大学

基于高斯混合模型的标签排序算法研究

在机器学习领域,传统的分类问题已经得到了广泛的研究。但是多标签数据的普遍存在性和重要性直到近些年来才逐渐得到人们的关注。实际中的许多重要应用,比如商品或服务推荐,排序搜索结果,基因选择等最终都可以归结为标签排序问题。与传统的分类问题相比,标签排序是一个更为复杂的学习问题,它不仅是要预测出样本所属的类别,而且需要将这些可能的类别根据偏好程度进行一个排序。因此,相比与分类问题,标签排序问题的求解表现为具有更大的解空间,以及更为复杂的性能评价。本论文主要包括以下三个方面的工作,首先,系统的回顾和分析了现有的标签排序方法,基于算法的原理,提出将标签排序方法分为四大类:基于分解技术的方法,基于概率模型的方法,基于排序相似性的方法以及其它方法。其次,基于皮尔逊相关性和斯皮尔曼相关性技术,调查和分析了分类算法常用的七个性能度量之间的潜在关系,实验结果验证了将常用的分类性能度量分为三类的正确性,即同一类别的性能度量具有较大的相关性,不同类别的性...  (本文共69页) 本文目录 | 阅读全文>>