基于SOA的云机器人服务框架设计

针对目前服务型机器人在执行复杂服务任务时面临着较高的本地计算和存储压力的问题以及机器人服务的可拓展性较低的问题,提出一种基于SOA架构的云机器人分布式服务框架.通过云机器人服务的分布式部署提高资源的利用率和服务质量,通过设计SOA接口层,消除异构机器人之间底层差异.针对单一云机器人服务的局限性,提出一种多服务副本下服务查找和组合算法,实现云机器人集群服务覆盖网络下服务执行的负载均衡和弹性容错,提高云机器人集群的稳定性和服务的吞吐量.通过仿真对比实验,验证了该算法的有效性.     

IETCAM:基于信息熵的低功耗TCAM分类器

目前,三态内容寻址器被广泛应用于数据平面的高速转发,但现有的索引式TCAM在降低功耗和运行时间等方面仍存在问题.针对这些不足,提出了一种基于信息熵的低功耗索引式TCAM分类器,利用了信息熵技术,有效地解决了规则集在TCAM子块中分布不均、功耗较大的问题.实验表明,在2k大小的规则集下,该算法相较于经典的SmartPC算法平均可以提高63％的功耗降低率,运算时间更新速度缩小了97％,存储开销仅增加了10％.     

基于新型Canny算法雷达距离图像边缘检测算法

针对激光雷达距离像的噪声滤波和边缘检测问题,提出了一种结合改进环圈滤波算法和自适应Canny算法的距离像边缘检测算法.通过改进环圈滤波对距离像的噪声进行抑制,在滤除噪声的同时保留了图像的细节特征信息.从梯度幅值计算、非极大值抑制和阀值自动选择3个方面对传统Canny算法进行改进,克服了噪声影响和边缘检测模糊等缺点.实验结果表明,该算法能够可靠的对距离图像进行边缘检测,并且检测结果的信息熵和标准差指标数据优于传统的Sobel算法和Laplace算法,能够较好地满足激光雷达距离像边缘检测的实际需要.     

双圆弧谐波齿轮传动柔轮齿廓参数的优化设计

“双共轭”啮合区间对提高双圆弧谐波齿轮传动扭转刚度和传动精度有重要作用,提出一种增大“双共轭”啮合区间的方法。综合利用分段函数和啮合不变矩阵建立柔轮齿廓弧长参数方程和理论啮合方程,可有效简化谐波传动理论共轭齿廓的求解过程。基于此,以缩小共轭齿廓间差异为目标建立优化目标函数,对柔轮齿廓分别以公切线倾角、公切线纵向长度和凹圆弧齿廓半径为自变量进行单参数及多参数优化设计。研究结果表明,该优化设计方法可实现柔轮齿廓参数的合理选择,保证谐波传动“双共轭”运动的精度。     

岩爆引起的TBM主驱动故障分析及处理措施

本文分析研究了引汉济渭秦岭隧洞TBM施工时岩爆引起的主驱动故障,并提出了针对性的处理方案、工艺及措施。结果表明:岩爆易导致TBM转接座定位环断裂及开裂、唇形密封和隔环等被挤压变形、结合面密封条损坏、连接螺栓和双头螺柱受剪破坏等问题,从而造成主驱动故障。采用洞内修复技术进行拆除更换,效果较好,可提高TBM在岩爆地段的利用率和工作性能。     

基于损伤累积效应的半潜式平台结构疲劳分析方法

采用简化法对半潜式钻井平台的疲劳损伤和应力范围进行分析,并通过平台结构疲劳谱闭合分析得到波浪谱的短期分布密度函数,根据Miner线性累积疲劳损伤准则求解平台整体疲劳损伤。研究半潜式钻井平台在极端海况下的疲劳损伤对其疲劳寿命的影响,以及历史疲劳损伤对在用半潜式钻井平台的剩余寿命产生的影响,并提出基于历史损伤累积效应和极端海洋环境载荷作用的半潜式钻井平台剩余寿命分析方法。     

一种基于集成学习的流量分类算法

针对网络流量分类中类不均衡问题,提出一种基于K均值和k近邻的流量分类算法(traffic classification based on K-means and k nearest neighbor,KMk NN);以KMk NN为基础设计了一种集成分类器(ensemble classifier based on KMk NN,KKEC)。首先通过抽取不同的输入特征子集分别进行训练,获得不同的分类器,进而采取绝对多数与相对多数相结合的投票方式产生集成输出结果,最后采用非平衡数据集进行测试。理论分析和实验结果都表明,算法在面对非均衡协议流时提高了小类流的识别率。     

一种高效的全局K-均值算法

针对全局K-均值算法时间复杂度大的问题,提出一种增量选择初始聚类中心的新方法。选择数据集中周围分布最密集的样本作为第一个初始聚类中心,选择最小化目标函数贡献大,并且和已有聚类中心距离远的样本作为下一个初始聚类中心。改进算法减少了增量选取初始聚类中心时的计算量,降低了时间复杂度。实验证明,改进算法与全局K-均值算法、快速全局K-均值算法相比,在不影响聚类效果的基础上,减少了聚类时间,与优化初始聚类中心的算法相比,聚类效果更优。     

基于加权处罚的K-均值优化算法

在各种聚类算法中,基于目标函数的K-均值聚类算法应用最为广泛,然而,K-均值算法对初始聚类中心特别敏感,聚类结果易收敛于局部最优。为此,提出基于加权处罚的K-均值优化算法。每次迭代过程中,根据簇的平均误差的大小为簇分配权值,构造加权准则函数,把样本分给加权距离最小的簇中。限制簇集中出现平均误差较大的簇,提高聚类准确率。实验结果表明,该算法与K-均值算法、优化初始聚类中心的K-均值算法相比,在含有噪音的数据集中,表现出更好的抗噪性能,聚类效果更好。     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。