甘肃省自然科学基金(1107RJZA188)
- 作品数：6 被引量：21H指数：3
- 相关作者：李廉杨裔李彩虹陈虹何安平更多>>
- 相关机构：兰州大学伦斯勒理工学院清华大学更多>>
- 发文基金：甘肃省自然科学基金甘肃省科技支撑计划国家自然科学基金更多>>
- 相关领域：自动化与计算机技术电子电信理学更多>>
- 基于改进Canopy聚类的协同过滤推荐算法被引量：6
- 2020年
- 推荐系统通过建立用户和信息产品之间的二元关系,利用用户行为产生的数据挖掘每个用户感兴趣的对象并进行推荐,基于用户的协同过滤是近年来的主流方法,但存在一定局限性:推荐时需要考虑全部用户,而单个用户往往只与少部分用户类似。为了解决这个问题,提出了基于改进Canopy聚类的协同过滤推荐算法,将用户模型数据密度、距离与用户活跃度结合,计算用户数据权值,对用户模型数据进行聚类。由于结合了Canopy的聚类思想,同一用户可以属于不同的类,符合用户可能对多领域感兴趣的情况。最后对每个Canopy中的用户进行相应的推荐,根据聚类结果与用户评分预测用户可能感兴趣的对象。通过在数据集Movie Lens和million songs上与对比算法进行MAE、RMSE、NDGG三个指标的比较,验证了该算法能显著提高推荐系统预测与推荐的准确度。
- 唐泽坤黄柄清李廉
- 关键词：推荐系统协同过滤
- 基于模拟退火——粒子群优化算法改进的区间型Campbell-Bennett异常检测模型
- 2020年
- Campbell-Bennett模型是一种异常检测模型。Utkin用三角核函数近似代替Campbell-Bennett模型中的高斯核函数,从而得到了可以处理区间值数据的异常检测模型。但该方法复杂度过高,使其在优化模型参数时很困难。为了避免这种高复杂度,提出一种优化算法。该算法以一种特殊的方法借助模拟退火—粒子群优化算法(SA-PSO)进行模型参数优化,并通过数值实验对结果进行比较,验证了该算法的有效性。
- 杨茂李廉尹督荣杨志刚
- 关键词：异常检测模拟退火算法
- 基于裂痕故障块的自适应容错路由表算法
- 2013年
- 基于裂痕故障块的二维网格自适应容错路由算法是一种有效的容错算法,不仅能够解决活锁问题,而且克服了传统故障块模型中状态良好的节点不能参与路由的缺陷,但同时具有明显的缺点:每次路由到以故障块边界节点为根节点的内部树时,都需要遍历此内部树,因此算法的路由长度并不是最短的。针对上述问题,提出基于裂痕故障块的自适应容错路由表算法,其中路由表由裂痕故障块内部树上的节点创建,通过路由表上保留的有用消息决定是否遍历内部树。实验结果证明,随着网格规模的扩大,该算法最大可减少70%的平均路由长度,并且其实现简单,可以有效地延长网络寿命。
- 林沛杨裔陈宜漂邓毓博
- 关键词：自适应路由虚拟网络容错路由表
- 基于约束数据捆绑两相握手协议的8位异步Booth乘法器设计被引量：3
- 2018年
- 以乘法器为代表的算术运算单元是现代数字系统的核心之一,其计算速度在很大程度上影响整个芯片的运算效率.本论文提出了一种改进的Booth乘法算法,其核心思想是先移位、再压缩,最后求和,减少了各模块间的耦合性,有利于控制电路的简化.本论文依据纯异步电路系统的设计方法,采用"约束数据捆绑"两相握手通讯协议的Click微流水线,根据控制和数据处理分离的策略,实现了这种改进算法的8位乘法器,并在FPGA上进行了验证.在45nm工艺制程的FPGA条件下,与相同体系结构的同步乘法器相比,这种异步乘法器在面积和功耗大体相同的情况下,运算速度大体提升超过12倍.
- 何安平刘晓庆陈虹
- 关键词：BOOTH算法
- 基于密度和相关分量分析的局部线性嵌入算法被引量：1
- 2021年
- 为解决局部线性嵌入算法(LLE)性能受初始邻域值大小和相似性度量选取的制约,提出一种基于密度和相关分量分析(relevant component analysis,RCA)的局部线性嵌入算法(DRLLE)。对每一个样本点计算一个密度缩放因子,根据密度缩放因子对样本点的初始邻域值进行自适应调整,计算RCA距离作为LLE算法的相似性度量,得到样本点的近邻集,进行降维处理。将DRLLE和其它LLE改进算法在Swiss roll、Swiss roll hole和ORL数据库上进行对比实验,其结果表明,DRLLE算法具有良好的降维效果和识别性能。
- 王楠贾永利韩淑运杨裔李廉李彩虹
- 关键词：局部线性嵌入
- 基于距离和密度的d-K-means算法被引量：11
- 2020年
- 针对K-means算法对初始聚类中心和噪声敏感的缺点,提出了d-K-means算法(distance&density),在K-means算法的基础上权衡了密度和距离对聚类的影响,对数据进行加权处理,在权值基础上引入最小最大原则选择初始聚类中心,自动确定类中心个数。实验结果表明,d-K-means算法在低维与高维数据上都可以取得较好的聚类效果,并且可以更好地应对低密度区域数据,更好地进行类中心选择。
- 唐泽坤朱泽宇杨裔李彩虹李廉
- 关键词：聚类K-MEANS算法
