摘要：聚类技术是数据挖掘中的一个重要方法,PAM(Partitioning Around Medoids)是基于分区的聚类算法的一种,它试图将n个数据对象分成k个部分。在并行粒子群PSO(Particle Swarm Optimization)算法中,需要划分整个种群为几个相互不重叠的子种群。因此,引入PAM来划分整个种群。通过聚类,相同子种群的粒子相对集中,从而能够较容易地相互学习。这使得有限的时间能够花费在最有效的搜索上,以便提高算法的搜索效率。为了均匀地探测整个解空间,引入均匀设计来产生初始种群,使种群成员均匀地分散在可行解空间中。进化过程中,均匀设计也被引入来替换种群中的较差个体。提出基于PAM和均匀设计的并行粒子群算法,它结合并充分利用了二者的优点。对几个测试问题的实验结果证明,提出的算法比传统的并行粒子群算法具有更高的性能和更好的收敛准确性。

摘要：在强干扰环境下采集的远程图像通常含有大量的噪声,成像质量不好,需要进行图像去噪处理,提高图像识别和成像性能.传统的图像去噪方法采用小波变换噪点平滑处理算法,在信噪比比较小的情况下出现视觉偏移,图像去噪效果不好.对此,提出一种基于信息特征子空间均匀遍历的图像去噪算法.在三角网纹理分区结构模型的基础上,通过相互近似正交的直线模式建立含噪图像直线模式的方向关系,进行图像滤波设计,实现噪点分离,采用全局非显著性突变信息提取方法,基于均遍历寻址方式,实现对图像噪点的特征遍历滤除,实现图像去噪算法改进.仿真结果表明,该算法具有较好的图像去噪性能,提高对含噪模糊图像的成像质量和识别概率,峰值信噪比较高,在远程模糊图像识别等领域具有应用价值.

摘要：针对传统基于小波变化的图像超分辨率重构问题,提出了一种结合小波去噪和广义回归神经网络的图像重构算法。首先通过整数小波变换将图像的低频和高频部分进行分解。然后利用中值边缘检测作为预测器并在编码之前设置了误差映射。最后对传统广义回归神经网络的原理进行了分析,并设计了相应的广义回归神经网络。此外,利用期望值最大算法对广义回归神经网络模型参数估计进行了优化。通过超分辨率图像重建仿真实验对提出算法的有效性进行了验证。实验结果表明:提出算法具有较好的去噪能力和较高的重构精度。

摘要：通过对云计算基本框架的分析,探索对云计算环境下的海量数据挖掘算法的可能性和可行性,提出了具体的方法和算法框架,运用智能优化算法的思想对数据挖掘算法进行优化,设计出云计算环境下数据挖掘算法的智能优化模型,研究云计算环境下对海量文本文档挖掘的优化方法,提出一种云计算环境下文本挖掘方法的优化模型,本文通过对云计算环境下海量数据和海量文本文档挖掘算法的优化进行探讨,提出的优化模型对具体的算法设计具有很好的指导作用.

摘要：【目的】针对Mean squared error(MSE)作为损失函数在人眼感知方面存在局限性,以及基于卷积神经网络的图像超分辨率(Super-resolution,SR)算法生成的图像存在参数较多、计算量较大、训练时间较长、纹理模糊等问题,设计基于深层卷积神经网络的单幅图像超分辨率重建模型。【方法】使用ImageNet预先训练的大型卷积神经网络Visual geometry group(VGG)模型提取图像特征,利用该特征设计视觉感知损失函数进行训练学习,引入亚像素卷积层(Sub-pixel convolution)替换上采样层,缓解生成图像的棋盘效应。【结果】设计的模型对放大两倍的图像进行超分辨率修复,与其他4种超分辨率重建模型的Peak signal to noise ratio(PSNR)值接近,且生成图像的视觉效果更加清晰逼真,细节更加细腻。【结论】该模型可以实现输入不同大小的低分辨率图像而不必多次训练学习不同比例的放大模型,可以实现对不同放大倍数图像的训练和预测,在保持一定PSNR正确率的前提下,放大后的超分辨率图像能够恢复更多纹理细节和更佳视觉效果。

摘要：为了实时精确监测既定区域的环境质量状况,解决传统无线传感网因电池不耐用又不能及时更新而导致网络中断的问题,研究设计了一种自供电多传感器的无线环境质量监测系统。所研究设计的无线传感网节点利用太阳能光伏电池板发电完成自供电,并对最大功率点跟踪控制算法进行了优化改进,解决了因电池不能及时充电而导致的传感器节点工作异常的问题,实现了环境质量状况无人值守实时监测。利用数据融合算法,将多节点传感器采集到的数据进行数据融合,通过实验测试表明,所设计系统的测试数据和当地当天中国环境监测总站发布的环境质量状况数据基本吻合。