半定规划的齐次不可行内点算法

为降低半定规划(SDP)问题的迭代复杂度,并且有更好的数值实验结果,提出一种新的宽邻域上的齐次不可行内点算法.半定规划的KKT条件是单调互补问题(MCP),通过构造齐次模型(HMCP)以及提出新的宽邻域来解这个齐次模型,得到半定规划问题的最优解.这种算法容易判定原问题是否可行.在NT方向,证明迭代点在新的宽邻域内是收敛的,且迭代复杂度为O(√nlogL),其中n是SDP问题的维数,L=Tr(X⁰S⁰)/ε,其中ε是需要的精度,(X⁰,S⁰)是迭代起始点.这个复杂度比一般的半定规划不可行算法的迭代复杂度低.提供了数值实验,证明此算法比其他不可行算法具有更好的数值实验结果.     

新闻算法推荐的信息可见性、用户主动性与信息茧房效应:算法与用户互动的视角

算法已成为当今数字媒体技术的决定性因素,新闻推荐平台借助算法技术连接人与信息,为人们提供个性化的新闻服务。本研究基于算法和用户互动的视角,采用问卷调查方法,以新闻算法推荐平台的使用者为研究对象,探讨算法推荐的信息可见性、用户主动性和信息茧房效应。结果显示,新闻算法推荐整体上以用户为中心,在新闻可见性上,用户对趣味新奇性价值的认知感最强,新闻个性化程度凸显;用户对新闻推荐的使用上,以被动浏览行为最为普遍,自主性总体不高;用户对推荐算法技术有一定了解,表现出一定的算法素养;算法推荐对用户并未造成单纯的信息茧房效应,它同样可扩大受众接触资讯的范围,将用户带入更广阔的世界。最后,本文讨论了用户和算法之间的关系,发现两者不是彼此孤立的存在,而是始终处于相互响应、相互发展的状态。     

基于Bakhshali近似的星载双站SAR成像方法

随着卫星技术的发展与成熟,星载分布式SAR和中高轨SAR越来越受到关注,但是其较长的合成孔径时间和大基线距对双站SAR成像提出了新的要求。基于单站等效思路,提出一种基于Bakhshali近似的双曲等效方法,设计了适用于该方法的CS成像流程。与基于泰勒二阶近似的双曲等效方法相比,该方法满足长合成孔径时间和基线距变化较大的情况下的成像要求。最后通过星载双站SAR的仿真实验验证了该方法的有效性。     

矩形截面纤维流场压降及细颗粒扩散捕集效率

采用格子波尔兹曼气固两相流模型模拟扩散机制下矩形纤维捕集颗粒过程,研究纤维周围流场压降和扩散捕集效率随不同纤维布置方式的变化规律。把模拟得到的值（系统压降与捕集效率）与相同体积分数的圆柱纤维所对应的理论值相比,得到相应比例系数。分析规律,并采用Levenberg-Marquardt方法对其进行处理,得到相应比例系数的拟合公式。根据已有的圆形纤维压降与扩散效率的理论公式,再结合求得的拟合公式,对不同工况下的矩形纤维系统压降和扩散捕集效率进行计算。分析结果发现：矩形纤维系统压降与放置角度和长宽比均相关;而扩散捕集效率与长宽比成正比,与放置角度基本无关。     

民族传统体育对抗类项目视频分析与智能诊断系统研究*

当前民族传统体育对抗类项目训练分析主要是以教练员主观经验判断为主,缺乏客观性和时效性.本研究搭建了一个ARM+ DSP+ CPLD技术框架平台,采用视频图像智能分析与处理技术对运动员的训练及比赛实况进行实时记录和智能诊断,得出可供教练员与运动员参考的处理结果,达到提高训练效率,提高比赛成绩的目的.     

信息检索中模式匹配算法的分析

串的模式匹配是信息检索中的一个热点.文章介绍了模式匹配的概念,分析了串模式匹配中的BF算法和KMP算法,并对KMP算法进行了改进.实验结果表明:改进的KMP算法使信息检索具有更快的响应速度.参考文献5.     

机器学习的五大类别及其主要算法综述

机器学习作为一门源于人工智能和统计学的学科,是当前数据分析领域重点研究方向之一。首先通过追溯机器学习起源和介绍不同算法在求解策略上的启发性思路,讨论五类机器学习的发展及其主要算法在评价方法和优化方式上的实现,进一步总结归纳各算法适用领域和算法优劣,最后指出各算法克服自身缺陷的最新进展和未来实现多算法融合的研究方向。     

基于核模式合成的频繁巨模式挖掘算法

已有的频繁模式挖掘算法难以适应像生物信息数据挖掘、图模式挖掘等频繁巨模式挖掘应用.提出一种频繁巨模式挖掘算法,即基于核模式合成的频繁巨模式挖掘算法(Core Pattern Fusion Based Colossal Frequent Pattern Mining Algorithm,CPFCFPA),通过将各较小的核模式进行一步合成,寻求一个对频繁巨模式完整集的蕴含集.引入项集编辑距离概念,提出一种新颖的评价频繁巨模式挖掘结果质量的评测模型.实时数据集实验显示,CPFCFPA具有较好的可扩展性和挖掘性能,且对当前频繁模式挖掘算法难以或不能实现的挖掘任务,其挖掘结果能做到对频繁巨模式完整挖掘集的较好近似.     

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战.针对上述问题,提出了基于属性值偏好矩阵的协同过滤推荐算法,首先采用奇异值分解(SVD)对用户-项目评分矩阵降维得到目标用户的初始邻居用户集,生成新的用户-项目评分矩阵;然后将用户评分映射到相应的项目属性值上,生成每个用户的属性值偏好矩阵,并基于属性值偏好矩阵进行用户相似性度量,从而缓解了评分数据稀疏性;将新项目的属性值与用户的属性值偏好矩阵进行匹配,从而找出匹配度最高的前N个用户作为新项目的推荐受众.实验结果表明了该算法的有效性.     

赛程安排的数学模型

本文讨论单场地上单循环赛的合理安排问题.运用图论算法给出了不同参赛队数n的赛程安排,并确定了其中各队相隔两场的最大间隔场次的上限.该算法将n为奇数和偶数的两种情况统一起来了,具有一定普遍性.给出了两种不同的衡量指标,从不同的角度衡量该赛程的优越性.