全局人工鱼群算法求解水果运输调度问题

分析4种不同的水果运输调度问题（Fruits in Vehicle Routing Problem,FVRP）：带硬时间窗的具有需求关联的模型、带容量约束的车辆运输调度问题模型、车辆运输调度问题模型和旅行商问题模型,并构建了相应的数学模型,采用基本人工鱼群算法和全局人工鱼群算法对所建立的4种模型求解,实验证明,全局人工鱼群算法克服了精度低、后期收敛慢、复杂度较高等缺点,能有效地求解此类问题,进一步证明了问题模型的复杂程度影响算法寻优能力,问题模型越复杂,收敛更慢.同时,也体现出当问题模型较复杂时,全局人工鱼群算法的寻优质量和速度优于人工鱼群算法.     

基于KNN的中文文本自动分类研究

在介绍SVM和KNN分类算法的基础上,提出了一种新的、较简单的,但更为合理的基于表模型的文档表示方法,阐述了一种基于表模型的分类算法——TableKNN算法。通过实验比较TableKNN算法与传统KNN算法应用于文本分类的效果,证实了TableKNN算法在处理文本分类问题上的优越性。     

基于学员综合素质评估的模型与算法研究

为实现学员综合素质的评估,提供一种针对人才培养质量考核的有效手段,在对目前通用的评估模型与算法比较分析的基础上,构建了基于学员综合素质评估的两类模型一线性评估模型和平面评估模型,设计并实现了针对两类模型的评估算法;结合指标体系,对两类评估模型及算法在实际系统中加以应用,结果符合专家预测,验证了模型和算法的可用性和科学性。     

三角函数变异模型的生物地理优化算法

在介绍BBO算法的基本原理基础上,提出了三角函数变异模型的生物地理优化算法,并进行了函数测试,测试结果表明,基于三角函数变异模型的BBO算法在算法稳定性和收敛精度上明显好于线性模型.     

融合数据增广技术与机器学习算法的个人信用评分研究

为了提高个人信用评分模型算法预测精准率,受视觉领域数据增广思路启发,提出融合数据增广技术与机器学习算法的个人信用评分模型。该模型首先对原始个人信用数据进行数据增广处理,然后基于机器学习分类算法训练一个二分类个人信用评分模型,最后基于公开个人信用数据集,分别建立未经过数据增广和经过数据增广处理后的个人信用评分模型。对比准确率、精确率、召回率、F1 得分、AUC 值和 ROC 曲线等 6 个性能评价指标,结果显示,相较于仅基于机器学习算法的个人信用评分模型,融合了数据增广技术与机器学习算法的个人信用评分模型使得分类性能得到了一定提升,分类准确率平均高出 5%。     

几类拓展粗糙集模型属性约简研究综述

粗糙集属性约简算法是数据预处理的有效方法,但无法处理某些结构复杂的数据.为了进一步拓宽粗糙集的应用范围,通过扩展粗糙集模型或改进属性约简算法以提高粗糙集的数据处理能力.对模糊粗糙集、覆盖粗糙集、邻域粗糙集、决策粗糙集、变精度粗糙集等几类拓展粗糙集模型的一些经典属性约简算法和最新提出的算法进行梳理和归纳后发现,现存的算法在运行效率和空间复杂度等方面限制了拓展粗糙集模型的使用范围.当前研究中拓展粗糙集模型在约简理论完善、大数据处理、特殊数据处理等三个方面的问题依然存在,因此未来应重点结合Pawlak粗糙集属性约简算法的思想、智能算法以及其他一些理论方法来研究拓展粗糙集模型属性约简理论.     

3DS模型的读取与OpenGL模式下的显示控制

简单介绍了3DS文件格式,给出了3DS文件读取算法,并详细描述了3DS文件中三维模型主要顶点信息和三角面片信息的读取算法,从而得到文件中存储的三维模型的顶点和面信息,在此基础上利用OpenGL实现了读取得到的三维模型的显示和控制,实现三维模型的旋转、缩放、平移等操作。     

基于狼群算法的GNSS欺骗干扰识别（英文）

为解决卫星导航接收机在受到欺骗干扰时难以识别欺骗干扰这一问题,提出了一种基于模型的欺骗干扰识别方法.首先将干扰机/卫星发射机以及通信信道建模为Hammerstein模型,然后使用一种新的模型辨识方法——狼群算法来进行模型参数辨识.将估计得到的模型参数作为特征参数,使用欧氏距离比较法实现欺骗干扰的识别.仿真实验验证了所提方法的有效性和鲁棒性.结果表明:狼群算法与最小二乘法、迭代法和蝙蝠算法等其他模型辨识算法相比,虽然在算法时间复杂度上比最小二乘法和蝙蝠算法略高,但具有更高的模型参数辨识精度和欺骗干扰识别率,甚至在信噪比较低时识别性能也最优.     

基于IMM的三维机动目标跟踪算法研究

对单站雷达三维空间机动目标的跟踪方法进行了研究,选取匀速运动模型分别组合"当前"统计模型和Singer模型的两种交互多模型跟踪滤波算法来处理三维空间机动目标测量数据并进行仿真分析,仿真结果表明,IMM算法的滤波结果优于单模型滤波,验证了算法对机动目标的跟踪有效性。     

基于贝叶斯优化LightGBM的车辆碰撞检测模型

针对车辆碰撞检测中的数据缺失和特征数量少等问题,提出了一种经贝叶斯优化的LightGBM算法模型对车辆碰撞状态进行检测。首先,对原始特征进行特征工程预处理;然后使用经贝叶斯优化的LightGBM算法对数据进行训练和测试;最后将LightGBM与LR、SVM、RF及XGboost模型进行对比。模型仿真结果显示,LightGBM算法模型表现最优,精确度、召回率与F1-Score分别为0.93、0.94和0.93。