形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GM...形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GMFPT)的形状距离学习方法.将形状样本集合视作状态空间,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离.通过引入广义期望首达时间,形状距离学习方法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响.将所提出的方法应用到不同形状数据集中进行仿真实验,本文方法比其他方法能够得到更准确的形状检索结果.展开更多
文摘为了实现同一地域范围内的众多用户在有限带宽条件下提出的高QoS要求,本文对基于IEEE 802.16标准的宽带无线接入网中数据包级QoS(Quality of Service)性能进行了研究.具体做法是,首先采用批马尔可夫到达过程(BMAP,Batch Markov Arrival Process)和连续时间马尔科夫链(CTMC,Continuous Time Markov Chain)对到达过程和流量源进行建模,得到更符合实际和更准确的排队模型;然后基于状态空间,对一个无线接入网络系统进行建模,通过对得到的系统模型并结合前面得到的排队模型的深入分析,从而获得该模型下的各项QoS性能指标,如平均队列长度、丢包率、队列吞吐量和平均包时延.仿真实验结果表明,本文提出的算法模型相比于其他典型的算法模型,能够使得各项QoS性能指标有较大的改善和提高.
文摘形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GMFPT)的形状距离学习方法.将形状样本集合视作状态空间,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离.通过引入广义期望首达时间,形状距离学习方法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响.将所提出的方法应用到不同形状数据集中进行仿真实验,本文方法比其他方法能够得到更准确的形状检索结果.
