智能单粒子优化算法

文中在传统粒子群优化(Particle Swarm Optimization,PSO)算法的基础上,提出了智能单粒子优化算法(Intelligent Single Particle Opti mizer,ISPO).与传统的PSO算法不同,该算法采用了一个粒子在解空间中搜索,粒子的位置矢量被分成一定数量的子矢量,并基于子矢量对粒子进行更新.在子矢量更新过程中,通过分析之前的速度更新情况,引入一种新的学习策略,使粒子在搜索空间中能够动态地调整速度和位置,从而向全局最优靠近.实验表明,此算法对大部分标准复合测试函数都具有很强的全局搜索能力,其寻优能力超过了国际上最近提出的基于PSO的改进算法.     

基于RPG模式的“多媒体技术及应用”课程教学实践

本文介绍了我院针对“多媒体技术及应用”课程的特点进行分析后,有针对性地设计的一种基于角色扮演模式的课程教学方法。该模式能够让学生在学习过程中主动承担课程任务,在任务过程中增加对课程知识点的理解,提高非计算机专业学生的多媒体制作能力。     

基于混沌序列的多重数字图像水印算法

采用一维混沌映射，根据不同的混沌初始条件生成多个互不相关的混沌实值序列，进而得到性能良好的多重数字图像水印信号，有效地解决了多重数字图像水印信号的构造问题．同时采用二维混沌映射将各水印信号置乱，随机均匀地叠加在图像小波变换的中低频系数上，各水印信号的嵌入和提取可以互不干扰，解决了多重数字图像水印的嵌入问题．实验结果表明，该算法对各种常见的攻击均具备了一定的抵抗能力，可有效地解决数字图像产品的多著作权问题．     

基于直方图信息和灰度偏移网格的数字减影图像灰度矫正算法

本文首次提出一种利用数字减影图像直方图信息和灰度偏移网格进行灰度矫正的新的矫正算法.该算法能够有效去除灰度失真带来的蒙盈片灰度级差异,使减影图像丢失的细节信息得以重现.通过分析减影图像直方图,提取其中的灰度偏移量信息,有效消除了减影图像中的灰度级噪声.首次提出灰度偏移网格,较好地解决了数字减影图像灰度矫正过程中减影质量与矫正速度的矛盾.     

模糊强化学习型的图像矢量量化算法

本文给出了一种新的图像矢量量化码书的优化设计方法.传统矢量量化方法只考虑了码字与训练矢量之间的吸引影响,所以约束了最优解的寻解空间.本文提出了一种新的学习机理--模糊强化学习机制,该机制在传统的吸引因子基础上,引入新的排斥因子,极大地释放了吸引因子对最优解的寻解空间的约束.新的模糊强化学习机制没有采用引入随机扰动的方法来避免陷入局部最优码书,而是通过吸引因子和排斥因子的合力作用,较准确地确定了每个码字的最佳移动方向,从而使整体码书向全局最优解靠近.实验结果表明,基于模糊强化学习机制的矢量量化算法始终稳定地取得显著优于模糊K-means算法的性能,较好地解决了矢量量化中的码书设计容易陷入局部极小和初始码书影响优化结果的问题.     

基于ELM和MA的微型四频天线设计

提出一个基于极限学习机ELM（Extreme Learning Machine）和文化基因算法MA（Memetic Algorithm）的微型四频（0.92/2.4/3.5/5.8GHz）天线设计算法AntMA-ELM.为了提高天线的性能,算法在MA框架下引入基于综合学习粒子群优化算法CLPSO（Comprehensive Learning Particle Swarm Optimizer）全局搜索和DSCG（Davies,Swann,and Campey with Gram-schmidt）局部搜索,用于确定天线的几何参数.同时,建立ELM回归模型用于直接评估MA优化的适应值函数.实验结果表明,ELM回归模型能够根据输入参数正确估算天线的回波损耗,使MA算法有效提高设计性能和加速优化过程.天线在四个目标频段的回波损耗值均优于-10dB,满足设计要求.     

基于TI OMAP3平台的多参数监护仪设计与实现

设计及实现了一个以美国德州仪器公司的OMAP3平台为核心,用于检测人体心电、心率、血氧、血压、呼吸频率及体温6个基本生命参数的新型多参数监护仪。系统采用ARM+DSP的双核芯片OMAP3530作为核心处理器,以Google Android 2.1为操作系统,扩展参数采集前端、触摸屏、SD卡存储电路和网络接入电路等模块,实现了对人体6个基本生命参数的测量、显示、存储和网络传送等功能。     

燃气轮机在船舶动力装置中的应用研究

文章首先简单说明燃气轮机的基本构造与工作原理,而后对蒸汽轮机与柴油机动力装置、燃气轮机动力装置、电力推进装置进行介绍,并将燃气轮机与其比对,明确不同装置的优缺点。最后详细阐述燃气轮机在船舶动力装置中的具体应用,旨在全方位、多层次的促进我国船舶事业的稳定发展。     

基于粒子群优化-模糊聚类的说话人识别

基于粒子群优化(particle swarm optimization,PSO)提出一种说话人识别算法-三粒子模糊C均值聚类算法.利用3个子群体,每个子群体由规模较小的3个粒子构成,寻求最佳说话人模型.在每次迭代中每个子群体按先后顺序执行PSO算法中的速度更新、位置更新操作和标准FCM算法,对说话人的训练语音数据进行粒子群优化-模糊的软聚类分析,得到聚类中心的最优解,作为该说话人的语音模型.此算法可避免粒子陷入局部最优聚类中心,较准确地记录和估计每个聚类中心的最佳移动方向和历史路径,从而使聚类中心向全局最优解靠近.实验表明,本算法始终稳定地取得优于LBG算法、FCM算法和FRLVQ-FVQ算法的说话人识别性能,对初始聚类中心依赖度低,可有效降低误识率.