基于改进花朵授粉算法与K-means算法的人体姿态库构建方法研究

为了解决现有人体姿态库构建方法存在的装备维修性仿真验证任务针对性不足的问题,提出了一种基于改进花朵授粉算法与K-means算法的人体姿态库构建方法。针对花朵授粉算法寻优精度不够理想的问题,将乌鸦搜索算法引入花朵授粉算法。提出了一种改进花朵授粉算法。测试结果表明：相比粒子群算法和花朵授粉算法,改进花朵授粉算法具有搜索范围广和寻优精度高的优点。为避免K-means算法易陷入局部最优解,将改进花朵授粉算法引入K-means算法,在提出个体编码方式与定义个体操作函数的基础上,设计了改进花朵授粉算法的计算步骤,使改进花朵授粉算法与K-means算法相融合,进而对装备维修人员的维修作业姿态进行聚类。提取各类中心数据,将其作为人体姿态库中虚拟人体的部位动作角度输入参数,构建了具有装备维修性仿真验证任务针对性的人体姿态库。仿真实验结果表明：相比基于粒子群算法与K-means算法融合的人体姿态库构建方法等5种方法,改进花朵授粉算法与K-means算法的融合方法具有寻优精度高和聚类效果好等优点,适用于装备维修性仿真验证工程实践。     

一种改进离散磷虾群的复杂产品装配调度算法

针对复杂产品装配车间调度问题,提出了一种改进的离散磷虾群（IDKH）装配调度算法。以工期最小化为调度目标,通过分析复杂产品装配工艺流程特点,建立了复杂产品装配调度模型。基于排列的编码方式和启发式规则的改进解码方式实现了调度解与种群个体之间的转换,并通过局部搜索和重启操作对标准磷虾群（KH）算法进行了改进,增强了算法的局部开采能力和全局搜索能力。采用正交试验方法分析了不同参数设置对算法性能的影响,确定了IDKH算法的最佳参数组合。基于标准实例对不同算法性能进行了比较,对比结果表明,IDKH装配调度算法在求解质量和稳定性上均优于遗传算法、分布估计算法、引力搜索算法和标准KH算法。     

基于隐私保护的改进K-means 算法

针对传统K-means 聚类算法聚类过程以及聚类结果公示时可能出现隐私泄露的问题,提出具有差分隐私 保护的改进K-means 算法。在原有K-means 基础上引入密度度量,提高簇类的类内相似性,保证选取的中心处于相 对密集区域;引入距离度量,降低簇类的类间相似性,保证不同类聚中心排斥性较高;引入类间平均最大相似度, 动态规划最佳聚类个数K 和最佳初始类内中心;引入了隐私保护拉普拉斯噪声,保护信息的安全性。实验结果表明, 该算法比传统算法具有更高的聚类可用性和数据可靠性。     

粒子群优化的模糊C均值聚类航迹关联算法

针对模糊C均值聚类航迹关联算法存在局部最优问题,同时算法的收敛速度受初始值的影响也较大,提出一种将粒子群(PSO)和模糊C均值(FCM)聚类算法相结合的航迹关联算法。该算法将多目标的航迹关联问题看做是一类约束条件下的组合优化问题,利用粒子群(PSO)强大的全局寻优能力,与模糊C均值聚类算法相结合求解航迹关联问题。仿真结果表明:在相同的条件下,粒子群优化的模糊C均值聚类算法与模糊C均值聚类算法相比,聚类性能明显改善,关联正确率也有明显的提高。     

一种用于飞行器航迹规划操作规则提取的聚类算法

针对航迹规划软件人机交互操作数据所蕴含的特征规律信息的总结提取问题,通过深入研究操作数据特性,高维数据主成份分析降维方法及聚类算法,提出了一种用于解决该类问题的改进聚类算法。经仿真验证,该算法能够有效地提取不同操作数据中的规律信息。     

一种改进的K-means聚类方法在惯导系统中的应用

为了提高高维数据聚类精度,提出了一种基于数据分布规律的K-means聚类方法。通过K-means聚类粗略寻找高维数据分布规律,构造不同的自适应因子对聚类数据进行综合K-means聚类精度校正。将所提出方法应用于平台惯导系统标定数据聚类中,计算结果表明该方法可以很好的对加速度计标定数据进行聚类和评价,具有较好的实际应用价值。     

无线传感器网络节点定位的混沌粒子群优化算法

针对粒子群优化算法收敛速度慢且稳定度不高的问题,把混沌寻优思想引入到粒子群优化算法中,提出一种基于混沌粒子群优化算法的无线传感器网络节点定位算法。该算法首先对当前粒子群中的最优粒子进行混沌寻优,然后用混沌寻优的结果随机替换粒子群体中的一个粒子,通过迭代搜索最佳坐标。仿真结果表明,在参数合理设置的前提下,该算法性能稳定,并且具有较快的定位速度和较高的定位精度。     

基于全散度的自适应鲁棒图形模糊聚类算法

针对图形模糊聚类对灰度分布不均匀及噪声干扰图像无法获得满意分割结果的不足,提出一种基于全散度的自适应鲁棒图形模糊聚类分割算法。全散度和像素邻域信息相结合,得到一种改进的全散度;改进的全散度引入图形模糊聚类最优化模型,并嵌入像素空间邻域信息。当前聚类像素与邻域像素均值的偏差作为该鲁棒聚类分割模型的正则因子,促使该聚类对强弱噪声具有自适应抑制能力。测试结果表明,与现有的图形模糊聚类、鲁棒模糊聚类等算法相比,自适应鲁棒全散度图形模糊聚类分割算法的分割效果和抗噪鲁棒性均有明显改善。     

基于模糊聚类的群分离与合并跟踪算法

针对密集杂波背景下群目标分离或合并时估计误差增大的问题,提出了基于模糊聚类的群跟踪算法。该算法首先基于多特征信息融合的思想,融合群目标的运动状态信息和电磁辐射信息,通过计算候选回波与真实目标的关联度对量测进行筛选;其次,对群内目标进行聚类,形成若干个聚类小群,通过估计各小群的运动状态实现对大群的整体跟踪,并利用最近邻(NN)算法进行航迹维持。仿真结果表明,该算法提高了杂波背景下群目标跟踪的精度,并且能够较为准确地检测出群的分离与合并,相比传统算法,性能有所提高,具备工程实用性。     

针对非合作目标的自适应网格聚类算法

武器系统的探测设备通常面对的是非合作目标,观测样本在特征空间中的分布形式难以预期,噪声、不规则的类簇形状以及差异化的类簇密度给聚类分析带来极大挑战。提出了一种自适应的网格聚类算法,该算法包括基于k-近邻方法的空间分辨率自适应网格化处理方法,以及基于自适应分水岭变换的类簇结构检测与划分方法。实现了对噪声以及密度差异极大类簇的自适应处理,同时保留了网格聚类方法对类簇形状不敏感、不需要类个数作为先验参数等优点。通过雷达、电子侦察以及复杂人造数据集的仿真,证明了该算法的有效性。     

基于改进深度置信网络的故障诊断方法

针对深度置信网络对小样本数据集故障诊断时准确率低的问题,提出了基于改进深度置信网络的故障诊断方法。该方法通过优化网络特征提取能力,提升网络学习和分类能力以减少网络训练对数据的依赖程度;利用网络公开数据集测试改进的深度置信网络模型的性能;并将改进网络模型应用于小样本故障数据集上。实验验证结果表明,较基于传统网络模型的故障诊断而言,基于改进模型的方法通过添加新的隐藏层,强化了模型特征提取能力,提高了故障诊断准确率。     

基于组合粒子群算法的运载火箭弹道优化设计

提出一种基于粒子群算法和方向加速法组合成的PSO-Powell算法,能进行大范围搜索,其最优解具有全局收敛性。在该算法中,对粒子群算法的参数设置进行了改进,提升了其性能,并引入增广拉格朗日乘子法处理优化问题的约束条件,提高了最优解的精度。仿真结果表明PSO-Powell算法应用于运载火箭弹道优化设计具有良好效果,可以提升运载能力,具有一定工程应用价值。     

基于粒子群算法的阵列位置误差校正方法

针对阵列信号空间谱估计中出现的阵列位置误差导致高分辨率测向算法性能下降甚至失效的问题,提出一种基于粒子群算法的阵列位置误差校正方法。该方法利用一个方位已知的校正源,从阵列输出的协方差矩阵中提取位置信息,建立目标函数,然后利用粒子群算法运算简单、寻优能力强的优势,估计得到阵元所处的实际位置值。计算机仿真结果表明:经过该算法校正过的MUSIC算法的性能已经接近无阵列位置误差时的性能,显示了该算法的实用性和有效性。     

基于深度学习框架的装配机器人零件实时检测方法

针对工业生产线上装配机器人在粘连、堆叠、光照变化及环境因素干扰等复杂条件下零件检测率低、鲁棒性差等问题,提出一种基于改进YOLOv3深度学习框架的零件实时检测方法。在基础特征提取网络Darknet-53的每个残差网络后嵌入CFE模块,构建融合CFE模块和Darknet-53的深度特征提取网络CFE-Darknet53,建立YOLOv3深度学习框架下基于CFE-Darknet53的零件实时检测模型,提升检测网络在复杂环境下特征提取能力;设计一种改进K-means算法来预测边界框,通过对零件数据集进行聚类分析,选取最优的锚框个数和尺寸,进一步提高检测准确性。实验结果表明：在复杂条件下,改进算法对相似度很高的多类零件检测准确率能达到91.6%以上,相比YOLOv3算法提升了近10%以上;检测时间为43 ms,在视频传输帧率（24帧/s）下实现了零件实时准确检测。     

基于调整互信息的二进制协议一类分类算法

为解决未知协议种类繁多、聚类结果不能涵盖所有协议的问题,提出一种基于调整互信息的一类分类算 法。采用改进的k-means 聚类,构建目标样本的合理覆盖模型,计算每个聚类中心的调整互信息阈值,得到各个聚 类中心的调整互信息值,对不同聚类互信息阈值进行比较,并通过实验验证了算法的有效性。实验结果表明：与其 他传统的一类分类方法相比,该方法在二进制协议一类分类中取得了较好的结果。     

基于粒子聚类改进门限的GM-CPHD跟踪算法

针对带势的高斯混合概率假设密度滤波(GM-CPHD)计算量大,效率不高,已经无法适应现代战场要求,提出了一种基于粒子聚类改进椭球门限的GM-CPHD多目标跟踪算法。首先引入粒子聚类的方法,通过该方法得到修正的椭球门限;然后通过修正的椭球门限得到新的量测集合,实现了量测空间的改进;最后通过量测集合利用GM-CPHD算法进行更新。经过实验仿真证明,该方法在多目标跟踪效果上优于GM-CPHD算法,且计算复杂度大幅度降低,相比于带门限的GM-CPHD算法,跟踪性能也明显提高。     

基于改进粒子群的重频组多目标优化算法

针对传统目标优化算法存在优化目标较为单一的问题,提出基于改进粒子群的重频组多目标优化算法。该算法以传统粒子群算法为基础,使用混沌理论改进粒子群算法结构,结合多目标协同优化,实现了重频组在多个方面综合性能的提升。仿真实验结果表明,该算法能够提升雷达系统抗盲区性能,有效减小了因回波错误互相关产生的虚影。     

一种新的混合聚类算法

针对模糊C均值算法与粒子群算法的不足,提出了一种基于粒子群算法和模糊C-均值算法的混合聚类算法.该算法将全局搜索和局部搜索有机结合,采用两阶段的聚类分析方法,解决了FCM算法易于陷入局部最优和PSO算法局部搜索较弱的问题.实验结果表明,该算法具有较好的有效性,增强了全局收敛能力,减小了分类错误率.     

基于核PCA的智能图像分析算法

提出了一种基于核PCA的智能图像分析算法，该算法将非线性数据映射到高维特征空间，能自动创建新的聚类并且连续调整聚类以适应于新目标，从而提高目标识别系统的性能。重点研究了基于核PCA算法在径向基神经网络中的应用，提出一种核PCA—RBF网络模型，并进行了目标检测、分割和无人监督目标分类的仿真实验。     

基于嵌入式平台与优化YOLOv3 的航拍目标检测方法

针对部署在嵌入式平台的目标检测模型在检测航拍目标时存在的检测速率低、耗时高、存储容量低的问 题,提出一种基于优化YOLOv3 算法的航拍目标检测方法。通过模型剪枝极大地减少了模型参数量,使用二分 K-means 对传统的锚框聚类算法进行优化改进,引入CIOU 损失函数加强边界框回归效果,再经TensorRT 对模型优 化加速后将该检测模型部署到JetsonTX2 平台上。选取大量不同类别不同环境的航拍图像制作数据集进行实验对比。 结果表明：优化后的算法在检验不同航拍图像目标时平均精度可达到83.9%,对每张图片的检测速度从2.8 FPS 提升 至14.7 FPS,满足精确性和实时性要求。