检索结果

Select

1. 基于MobileNet的移动端城管案件目标识别算法

杨辉华, 张天宇, 李灵巧, 潘细朋

计算机应用 2019, 39 (8): 2475-2479. DOI: 10.11772/j.issn.1001-9081.2019010232

摘要（543）

PDF （819KB）（301）

针对目前大量安装的固定监控摄像头存在监控死角，以及移动设备硬件性能较低等问题，提出一种可在较低性能的IOS移动设备上运行的城市管理案件目标识别算法。首先，在MobileNet中增加新的超参数，优化输入输出图像的通道数与每个通道所产生的特征图数量；随后，将改进后的MobileNet与SSD目标识别框架相结合构成一种新的识别算法，并移植到IOS移动端设备上；最后，该算法利用移动端设备自带的摄像头拍摄案发现场视频，实现对8种特定城管案件目标的准确检测。该算法检测结果的平均精度均值（mAP）与原型YOLO和原型SSD相比，分别提升了15.5个百分点和10.4个百分点。实验结果表明，所提算法可以在低性能IOS移动设备上流畅运行，减少了监控死角，为城管队员加速案件分类与处理提供了技术支撑。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于自适应布谷鸟搜索算法的K-means聚类算法及其应用

杨辉华, 王克, 李灵巧, 魏文, 何胜韬

计算机应用 2016, 36 (8): 2066-2070. DOI: 10.11772/j.issn.1001-9081.2016.08.2066

摘要（617）

PDF （803KB）（609）

针对原始K-means聚类算法受初始聚类中心影响过大以及容易陷入局部最优的不足，提出一种基于改进布谷鸟搜索（CS）的K-means聚类算法（ACS-K-means）。其中，自适应CS（ACS）算法在标准CS算法的基础上引入步长自适应调整，以提高搜索精度和收敛速度。在UCI标准数据集上，ACS-K-means算法可得到比K-means、基于遗传算法的K-means（GA-K-means）、基于布谷鸟搜索的K-means（CS-K-means）和基于粒子群优化的K-means（PSO-K-means）算法更优的聚类质量和更高的收敛速度。将ACS-K-means聚类算法应用到南宁市青秀区“城管通”系统的城管案件热图的开发中，在地图上对案件地理坐标进行聚类并显示，应用结果表明，聚类效果良好，算法收敛速度快。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于Sector/Sphere的气相色谱-质谱联用多样本并行对齐算法

杨辉华任洪军李灵巧段礼新郭拓杜玲玲漆小泉

计算机应用 2013, 33 (01): 215-218. DOI: 10.3724/SP.J.1087.2013.00215

摘要（874）

PDF （616KB）（613）

针对气相色谱-质谱联用(GC-MS)数据处理过程复杂且计算量大、处理时间过长而严重拖延实验进度的问题，以多样本保留时间对齐为例，设计了基于分布式平台Sector/Sphere的GC-MS数据处理并行框架，实现了多样本并行对齐算法。首先分布式计算所有样本的相似度矩阵；然后依据层次聚类原理将原样本集划分为小样本集，分布式对齐各小样本集内部的样本；最后以各小样本集的平均样本作为对齐依据合并各样本集的对齐结果。实验结果表明：多样本并行对齐算法的错误率为2.9%，由4台PC组成的集群处理大量样本时，最高加速比达到3.29；能够在保证较高正确率的前提下提升计算速度，解决处理时间过长的问题。

参考文献 | 相关文章 | 多维度评价