摘要：依据样本数据点分布的局部和全局一致性特征,提出了一种基于局部密度构造相似矩阵的谱聚类算法。首先通过分析样本数据点的分布特性给出了局部密度定义,根据样本点的局部密度对样本点集由密到疏排序,并按照设计的连接策略构建无向图;然后以GN算法思想为参考,给出了一种基于边介数的权值矩阵计算方法,经过数据转换得到谱聚类相似矩阵;最后通过第一个极大本征间隙出现的位置来确定类个数,并利用经典聚类方法对特征向量空间中的数据点进行聚类。通过人工仿真数据集和UCI数据集进行测试,实验结果表明本文谱聚类算法具有较好的顽健性。

摘要：目前高校计算机本科教育在数据库教学中往往开设多门相关的必修、选修和实践课程。针对这一教学实际,着力分析这几门课程间的内容分配、课程衔接和实践能力培养等问题。以苏州大学计算机学院的数据库课程安排为例,对该课程的安排和建设提出了自己的认识和看法,总结了相应的教学实践和教学效果。

摘要：成熟的虚拟化技术使云计算软件架构可以灵活、高效、充分地管理和利用硬件资源。虚拟机迁移是实现动态资源管理的关键技术,也是保障云计算平台负载均衡和高可用的重要前提。提出一种基于虚拟机负载波动预测的启发式迁移方法。通过分析虚拟机负载波动平衡情况,设计启发式方法预测虚拟机的负载点和负载波浪的转势时间。实验数据表明,该方法有较强的自适应性,可有效改善虚拟机自主迁移的效率,达到辅助迁移虚拟机的目的。

摘要：为了有效地抑制由椒盐噪声和高斯噪声组成的混合噪声,提出一种基于灰色关联系数的混合噪声滤波算法。检测出椒盐候选噪声点,采用动态滤波窗口对椒盐候选噪声点进行分类处理,利用均值滤波后的图像信息有选择地修正受高斯噪声影响较重像素点的灰度值,对其进行高斯滤波处理。实验结果表明,该算法能有效地滤除混合噪声,提高图像的清晰度,为研究灰色关联理论滤除混合噪声提供一种有效的途径。

摘要：基于实验方案的设计和在线实验平台的实施,对于Oracle数据库实验进行了总体的案例选取和实验规划,方案规划为配合课堂讲解内容,巩固课堂所学知识,覆盖Oracle安装和配置、日常运行管理以及PL/SQL学习等方面,为学生今后从事数据库管理和开发打下基础,并且结合在线实验平台实现了在线实验、实验报告递交和批改。

摘要：针对3D Zernike矩计算复杂度过高的问题,研究了3D Zernike径向多项式的性质和快速算法.发现了3D和2D Zernike径向多项式之间的关系,并利用该关系将2D Zernike径向多项式的重要性质及其包含的4种快速算法推广到3D情形.从计算3D Zernike径向多项式全集的角度,对推广得到的4种3D快速算法做进一步优化融合,设计了一种比单独使用任何一种算法都更加快速的3D混合算法.对这5种算法进行了复杂度分析,并针对不同的最高阶,对5种算法求3D Zernike径向多项式全集所用的CPU时间进行比较.结果表明,3D混合算法显著降低了复杂度,明显提高了运算速度,并且阶数越高优化的效果越明显.

摘要：受到光照、视角、姿态等因素的影响,跨摄像机的行人再识别是一项相当具有挑战性的研究工作。为了进一步提升行人再识别的匹配精度,设计了更具判别性的特征表达,即增强局部最大出现频次(eLOMO)描述子,并提出基于提升方法融合多个距离度量的匹配模型。在提取eLOMO特征时采用从水平条与密集网格两种不同的尺度中提取颜色与纹理特征,从而获得更具判别性的行人外观描述子。在匹配模型上,采用自适应提升(AdaBoost)方法来融合多种距离度量学习模型的优势,从而实现对行人外观的匹配。在行人再识别公共数据集VIPeR和PRID450S上的实验结果表明,该方法能够有效地提升行人再识别的性能。

摘要：二维圆形排样问题是工业设计与生产中经常遇到的问题.常规下料问题主要针对矩形或圆形等规则板材,常用算法包括模拟退火、遗传算法等.本文在分析规则板材下料算法的基础上,针对实际生产应用中更为复杂的、具有不规则边界板材下料问题,提出了一种基于人工下料思维的仿生下料算法--邻居关系算法.该算法具有很好的利用率和时效性,较好地满足了实际应用的需要.实际板材下料结果表明,平均面积利用率为75.56%,平均计算时间为13.84s.所得排样利用率与模拟退火算法相当,但排样运算时间大大缩小,适应了实际下料需求,已应用于某跨国企业优化下料中.

摘要：监控视频下的事件识别是近期计算机视觉领域的研究热点之一.然而,自然场景下监控视频往往具有背景复杂、事件区域内对象遮挡严重等特点,使得事件类内差异大、类间差异小,给识别带来了很大的困难.为解决复杂背景下事件识别问题,提出了一种基于深度残差双单向DLSTM(DRDU-DLSTM)的时空一致视频事件识别方法.该方法首先从训练好的时间CNN网络和空间CNN网络获取视频的时空深度特征,经LSTM同步解析后形成时空特征数据联接单元DLSTM,并作为残差网络的输入.双单向传递的DLSTM联接后构成DU-DLSTM层;多个DU-DLSTM层再加一个恒等映射形成残差模块;在此基础上,多层的残差模块堆叠构成了深度残差网络架构.为了进一步优化识别结果,设计了基于双中心Loss的2C-softmax目标函数,在最大化类间距离的同时最小化类内间隔距离.在监控视频数据集VIRAT 1.0和VIRAT 2.0上的实验表明,该文提出的事件识别方法有很好的性能表现和稳定性,识别准确率分别提高了5.1%和7.3%.