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 14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

研究了多智能体网络中受集合约束的一致性最优化问题，提出了基于原始–对偶梯度的定步长分布式算法。算法中包括步长在内的参数会影响收敛性，需要先进行收敛分析，再根据收敛条件设置合适的参数。本文首先针对一般的定步长迭代格式，提出一种基于李雅普诺夫函数的收敛分析范式，它类似于一般微分方程关于李雅普诺夫稳定的分析方法。然后，针对所考虑的分布式梯度算法，构造了合适的李雅普诺夫函数，并根据收敛条件得到了算法参数设定范围，避免了繁冗复杂的分析论证。本文提出的理论与方法也为其他类型的分布式算法提供了一个框架性、系统性的论证方法

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

为了解决传统的图像识别算法无法准确识别铸坯表面缺陷的问题,提出一种考虑图像相邻像素影响的改进的多块局部二进制算法(MB-LBP).该算法将原始图像分成多个小区域,每个小区域再做等分,并计算平均灰度值,再运用局部二进制模式算法进行计算.对现场采集到的连铸坯表面裂纹、划伤、压痕、凹坑和无缺陷共五类1697个样本进行实验,整体识别率达到94.9%,而传统局部二进制模式算法的识别率为89.1%,说明本文算法具有更好的鲁棒性和抗噪能力

针对G-P算法及其改进算法的不足,提出了一种新的改进算法.应用该算法不仅能简化无标度区的确定过程,而且能客观地判断系统的关联维数是否饱和,从而对随机信号和混沌信号加以识别.对新的G-P改进算法进一步分析表明:新的G-P改进算法适用范围广泛,对于混沌信号的识别很有效

在流控传输协议(stream control transmission protocol,SCTP)中,多路径并行传输利用多家乡特性实现数据在关联的多条端到端路径中的并行传输.然而,受不同路径性能差异的影响,多路径并行传输将带来接收端的数据乱序.为了减轻数据乱序的程度并提高网络吞吐量性能,需要尽可能准确地估计每条路径的实时带宽与往返时间(round trip time,RTT).本文利用扩展矢量卡尔曼滤波对多路径并行传输中每条路径的可用带宽与往返时间进行联合预测,同时提出了一种综合考虑发送端未经接收端确认的数据的路径选择算法.仿真结果表明,通过实时准确地预测可用带宽和往返时间,路径选择算法能够减轻接收端数据乱序的程度.对于带宽敏感的多路径应用场景而言,该算法的收敛速度比Kalman-CMT算法更快,对网络吞吐量性能也有一定程度地提高;对时延和带宽都敏感的多路径应用场景来说,算法在收敛速度与吞吐量两方面优势明显