简介：在圈图上研究了两类组合优化问题．第一类问题主要研究在要求图中各边的最大调整费用不能超过给定预算时，如何对各边权进行调整，使得其他各顶点到给定顶点的距离之和最大，得到了线性时间算法；第二类问题主要研究在要求圈图上的所有边的调整费用之和不超过给定预算时，如何对各边权进行调整，使得某一固定顶点到给定顶点的距离尽可能的大，得到了求解该问题的多项式时间算法．

简介：气液两相流流型识别对石油和化工等工业生产安全性具有重要作用.目前,基于数学模型的流型识别技术成为了主要的发展趋势.本文在超声波法气液两相流流动规律研究基础上提出了一种基于符号动态滤波的流型识别方法.在垂直管道中对纯水、泡状流、弹状流和环状流四种流型进行了实验.经过对实验数据进行分析处理,结果表明该方法可以有效运用于流型识别,从而为气液两相流流型识别的研究提供了新的思路.

简介：在压缩感知、矩阵恢复等研究领域,弹性正则化方法引起了广泛的关注.由于该方法可以避免数据建模时（特别是解决复杂问题时）解出现大的波动,从而被视为解决相关问题的优秀方法之一.针对以上情况,提出基于Schattenp-norm最小化的矩阵恢复的弹性正则化模型,旨在加强解决复杂问题时的解的稳定性并改进矩阵恢复研究领域中基于核范数最小化逼近秩函数这一传统方法的缺陷.同时,为了解决提出的非凸模型,采用交替迭代算法和MM算法求解所提出的模型.实验结果表明,所提出的算法能够有效地恢复测量值较少的矩阵.

简介：提出一种解决大规模非负矩阵分解的分布式算法.非负矩阵分解一直是矩阵分解领域中的热点问题之一,已有一些相关的算法.但是,对于大规模的非负矩阵,至今尚无高效的方法.本文采用近来解决大数据的分布式思想和并行式计算方法,并将它们与传统的矩阵分解算法相结合,提出一种基于并行式计算的分布式网络算法,以此实现大规模的非负矩阵分解问题.实验结果表明,所提出的算法较一般的分布式算法与集中式矩阵分解的算法更加有效和快速.

简介：单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.