检索结果

Select

1. 基于间隔链表改进的频繁项集挖掘算法

徐永秀, 刘旭敏, 徐维祥

计算机应用 2016, 36 (4): 997-1001. DOI: 10.11772/j.issn.1001-9081.2016.04.0997

摘要（557）

PDF （748KB）（465）

针对PrePost算法中需要建立复杂的前序和后序编码树(PPC-tree)和节点链表(N-list)的问题,提出一种基于间隔链表(I-list)改进的高效频繁项集挖掘算法。首先,该算法采用了比频繁模模式树(FP-tree)更加压缩的数据存储结构间隔编码的频繁模式树(IFP-tree),无需迭代地建立条件FP-tree;其次,该算法利用更简洁的I-list代替了PrePost中复杂的N-list,从而提高了建树和挖掘速度;最后,对于单分支路径的情况,该算法通过组合的方法,直接求得某些频繁项集,以提高算法的时间性能。实验结果表明:一方面,对于同一数据集在相同支持数下挖掘的结果相同,验证了改进算法的正确性;另一方面,无论在时间还是空间上改进算法的整体性能均比PrePost算法提高约10%;且对于稀疏型数据库或密集型数据库的挖掘都有较好的应用。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于密度的离群噪声点检测

张毅刘旭敏关永

计算机应用 2010, 30 (3): 802-805.

摘要（1476）

PDF （812KB）（1080）

针对三维扫描仪获取的带噪声和离群点的点云数据，提出了基于局部离群点概念的去噪算法。通过k-近邻(KNN)搜索建立散乱点之间的拓扑关系，进而计算当前测点的局部离群因子以衡量该点的离群程度，从而限制噪声并剔除离群点。重点解决了高密度扫描点云周围分布的低密度离群噪声点的识别问题。实验结果证明，该算法能有效检测出紧挨模型边界的噪声点，并最大限度地保持模型边界。

相关文章 | 多维度评价

Select

3. 基于K-近邻点云去噪算法的研究与改进

张毅刘旭敏隋颖关永

计算机应用

摘要（1569）

PDF （809KB）（1418）

针对三维扫描获取的带噪声和离群点的点云数据，提出了改进的去噪算法。通过K-近邻搜索建立散乱点云之间的拓扑关系，进而采用高斯影响函数作为核函数来估计当前测点对周围邻近点的影响力，从而限制噪声并剔除离群点。重点讨论了密度熵的概念以及如何优化高斯核函数的参数，解决了窗宽尺寸在使用中不易确定的问题。仿真实验证明，该算法能够很容易地检测出离群点，同时也避免了将模型上的点误判为离群点的问题。

相关文章 | 多维度评价

Select

4. 一种基于曲率的边折叠简化算法

张果刘旭敏关永

计算机应用

摘要（1206）

PDF （768KB）（749）

针对目前三角网格简化算法在低分辨率的状态下往往丢失模型重要几何特征，从而导致视觉上的失真问题，提出了一种改进的边折叠三角网格简化算法。在Garland算法基础上引入了近似曲率的概念，并将其加入到二次误差测度中，使得二次误差测度在能够度量距离偏差的情况下，能够反映模型局部表面几何变化。实验结果表明改进的算法有效保持了模型的细节特征，简化效果更好。

相关文章 | 多维度评价

Select

5. 三角网格模型的补洞算法研究

田建磊刘旭敏关永

计算机应用 2009, 29 (08): 2035-2037.

摘要（1460）

PDF （598KB）（15221）

提出了一种三角网格模型的空间孔洞修补算法。首先根据网格中的点、边和三角形之间的关系提取孔洞边界，然后根据孔洞区域的夹角的顺序在空间中依次填补三角形直至修补完全，接着对新增加的高度弯曲的三角形进行细分，最后对修补后的孔洞网格进行几何形态调整，光顺化整个孔洞曲面。实验结果证明，该算法简单、有效，孔洞修补效果好。

相关文章 | 多维度评价

Select

6. 基于决策树分类的体绘制加速技术

马素静刘旭敏

计算机应用

摘要（1543）

为了提高体绘制速度，提出一种新的算法。该算法通过决策树对体素分类，同时采用行程编码辅助模型存储决策树分类结果。在遍历体素模型时，只访问感兴趣的体素分类，而忽略那些空的和不感兴趣的体素分类，减少了体素的计算量。实验结果表明，此算法不仅保持了图像的绘制质量，而且明显提高了体绘制速度。

相关文章 | 多维度评价

Select

7. 基于Kohonen神经网络的B样条曲面重构

范彦革，刘旭敏，陈婧

计算机应用 2005, 25 (09): 2018-2021. DOI: 10.3724/SP.J.1087.2005.02018

摘要（1233）

PDF （230KB）（1025）

探讨了三维散乱数据点的自由曲面自组织重构方法。建立了基于自组织特征映射神经网络的矩形网格重构模型及其训练算法。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系,节点连接权向量集作为对散乱数据点集的工程近似化并重构曲面样本点的内在拓扑关系。通过该方法不仅能够对无规则散乱数据点进行逼近,并且通过该方法得到的曲面也可以作为后继曲面重构的初始曲面。仿真实验表明,所建神经网络模型可实现三维密集无规则数据点的曲面自组织重构集自压缩于一体。

相关文章 | 多维度评价