❖ 递归的实现机制 ❖ 递归算法编制 ❖ 递归关系式求解

实验名称：查找算法的应用----哈希查找的实现 实验目的：复习巩固哈希函数及哈希表等有关 概念 ；掌握哈希表的创建过程的思想和算法实现；掌握哈希查找的思想和算法实现

一 查找和排序的基本概念（理解） 二 查找算法 1、线性表上的查找方法 顺序查找和二分查找思想及算法实现（掌握） 2、哈希查找算法思想（掌握）

13.1 人工神经网络与神经网络优化算法 13.2 遗传算法 13.3 模拟退火算法 13.4 神经网络权值的混合优化学习策略

9.1 层次分析法 9.2 人工神经网络与神经网络优化算法 9.3 遗传算法 9.4 模拟退火算法 9.5 神经网络权值的混合优化学习策略

通过本章学习,读者应该掌握以下内容 一、对称加密机制及典型算法 二、非对称加密机制及算法 三、数字签名的原理 四、数据完整性验证的原理及典型算法 五、PGP的使用

基于图像处理的方法，采用了由粗及精的瞳孔定位思想，提出了一种高精度的瞳孔定位算法。该算法首先利用瞳孔区域的直方图，采用改进的最大类间方差法自适应地分割瞳孔区域，实现粗略定位，然后利用瞳孔灰度的梯度特性来精确定位瞳孔边缘点，最后在像素级瞳孔边缘点的基础上，采用亚像素定位方法，更精确地求得亚像素级瞳孔边缘点，并通过椭圆拟合的方法来精确确定瞳孔的中心位置。另外，针对瞳孔被遮挡的情况，本文提出了一种等距离补偿瞳孔的方法。多次实验结果证明了该算法对遮挡瞳孔的定位有较强的鲁棒性，可以准确地定位瞳孔的位置

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

一、在层次聚类分析中,输入中不指定要分成的类的个数。系统的输入为(X,s),系统的输出是类的层次。 二、大多数层次聚类过程不是基于最优的思想, 而是通过反复的分区直至收敛,找出一些近似的、未达最优标准的解决方案。 三、层次聚类算法分为:分裂算法和凝聚算法

本章对目前常用的几种智能优化计算算法作简单介绍,以使读者对它们有个基本认识。内容包括神经网络、遗传算法、模拟退火算法和神经网络混合优化学习策略