针对大批量芯片生产中视觉检测难题,提出了一种基于多窗体结构的多目标匹配算法,实现了多窗体结构的自构建.结合螺旋形特征链对最多近似点距离(MCD)进行了改进,提高了算法速度和鲁棒性.通过实验证实:该算法较好地完成了大批量芯片识别任务;该算法除了具有高速度和高精确度的优点之外,还具有其他算法不具备的柔性

5.1 信息隐藏的概念 5.2 隐藏信息的基本方法 5.3 数字水印 5.4 数字隐写 5.5 数字指纹 •空域算法，变换域算法 •压缩域算法，NEC算法，生理模型算法 •技术模型，分类与应用 •空域水印，DCT水印 •技术模型， •典型数字图像隐写算法 •基本概念和模型 •数字指纹编码，数字指纹协议

全连接的玻尔兹曼机模型可全面描述稀疏系数间统计依赖关系,但时间复杂度较高.为了提高基于玻尔兹曼机的贝叶斯匹配追踪算法(BM-BMP)的重构速度和质量,本文提出一种改进算法.第一,将BM-BMP算法的最大后验概率(MAP)估计评估值分解为上一次迭代的评估值与增量,使得每次迭代仅需计算增量,极大缩短了计算耗时.第二,利用显著最大后验概率估计值平均的方式,有效近似最小均方误差(MMSE)估计,获得了更小的重构误差.实验结果表明,本文算法比BM-BMP算法的运行时间平均缩短了73.66%,峰值信噪比(PSNR)值平均提高了0.57 dB

第一章绪论 1.1什么是数据结构 1.2基本概念和术语 1.3抽象数据类型的表示与实现 1.4算法和算法分 1.4.1算法 1.4.2算法设计的要求 1.4.3算法效率的度量 1.4.4算法的存储空间的需求

1 感知机存在的一个问题 2 线性可分 SVM SVM 的种类 函数间隔和几何间隔 学习的原始最优化问 题 凸优化问题 线性可分 SVM 学习算 法—最大间隔法 支持向量与间隔边界 拉格朗日对偶性 KKT 条件 线性可分 SVM 学习的 对偶算法 3 线性不可分 SVM 线性 SVM 学习的对偶 算法 线性 SVM 学习算法 线性不可分时的 SV 合页损失函数 4 非线性 SVM 与核函数 希尔伯特空间 核函数的定义 核函数的选取 核技巧在 SVM 中的应 用 非线性 SVM 算法 5 序列最小最优化算法 SMO 算法的基本思路 两变量二次规划的求 解方法 两个变量的选择方法

文中给出了各种改进烟花算法的机制分析和对比研究,最后,给出了烟花算法的未来研究方向,包括爆炸算子搜索机制的深入分析、烟花交互机制研究、多目标烟花算法研究、并行烟花算法研究、扩展烟花算法求解的问题类型以及应用拓展

教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性，以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法，给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法，神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进，反馈网络的结构、学习算法。 3. 神经网络 PID 控制

1 算法的概念 2 问题描述及算法描述方法 3 算法正确性分析 4 算法复杂性分析 5 标准符号和通用函数

在非结构化数据挖掘结构模型——发现特征子空间模型(DFSSM)——的运行机制下,提出了一种新的Web文本聚类算法——基于DFSSM的Web文本聚类(WTCDFSSM)算法.该算法具有自稳定性,无须外界给出评价函数;能够识别概念空间中最有意义的特征,抗噪声能力强.结合现代远程教育网应用背景实现了WTCDFSSM聚类算法.结果表明:该算法可以对各类远程教育站点上收集的文本资料信息自动进行聚类挖掘;采用网格结构模型,帮助人们进行文本信息导航;从海量文本信息源中快速有效地获取重要的知识

针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性