基于YOLOv4的车辆与行人检测网络设计

针对YOLOv4网络模型参数量大，难以在资源有限的设备平台上运行的问题，提出一种对YOLOv4轻量化的车辆和行人检测网络。以MobileNetV1为主干网络，将PANet和YOLO Head结构中的标准卷积替换成深度可分离卷积，减少模型参数量；同时利用跨深度卷积结合不同膨胀率的空洞卷积构建特征增强模块，改善不同预测层对车辆和行人尺度变化的适应能力，提高网络的检测精度。实验结果表明，上述网络模型大小为45.28MB,检测速度为44FPS,相比YOLOv4模型大小减少81.44%,检测速度提升91.30%,在PASCAL VOC2007测试集上，检测精度达到86.32%,相比MobileNetV1-YOLOv4原网络提高1.29%的精确度，能够满足实时高效的检测要求。     

基于改进负向选择算法的异常数据检测方法

针对基本实值负向选择算法检测率不高的问题,采用可变尺寸检测器,有效减少了漏洞问题.同时,限制检测器的最小半径,节省了存储检测器所需要的空间.通过对污水处理数据进行检测,实验结果表明,该方法提高了异常数据的检测精度.     

基于优化颜色特征分类器的交通标志分割方法

研究交通标志优化识别问题,针对交通警告标志颜色特征,为驾驶员提供安全提示,道路交通标志识别系统可采用图像标志分割方法.首先分析了麦克斯韦颜色三角形,构造黄色特征线性分类器,接着通过标准样本训练分类器得到两个优化的系数矩阵进行区域分割,并采用两种不同扫描方式及模板矩阵,实现标志图像核的区域生长,最终从实景图中分割交通警告标志.其中一组训练并优化分类器,另一组进行分割实验.实验结果表明,分割方法适应不同自然条件下的交通标志分割,具有一定的快速性和鲁棒性,可为保证驾驶安全提供参考.     

基于免疫聚类算法的MRI膝关节图像分割

为了解决传统的阈值法无法适用的特征值相差不大的较复杂的医学图像分割,并针对聚类算法在分割图像时对初始值敏感且易陷入局部最优解这一缺点,提出了一种新的图像分割方式—基于免疫聚类的图像分割.实验表明,该方法既有效地克服了聚类算法的缺陷,又减轻了免疫算法在进化后期的波动现象,提高了其收敛速度和局部搜索能力,更具稳定性和准确性,在一定程度上改善了医学图像的分割效果.     

基于模糊算法的纯电动汽车制动能量回收

为提高纯电动汽车再生制动能量回收率,采用以总制动力需求、车速以及电池SOC为输入,以电机制动力系数为输出的mamdani型模糊控制器,确定电机制动力与机械制动力之间的比例分配;同时考虑汽车制动的安全性和稳定性,提出了采用理想制动力分配方法对前、后轮制动力进行分配.在ADVISOR上建立了模糊控制算法的仿真模型,并结合典型道路工况CYC_UDDS进行仿真,通过与ADVISOR自带的策略以及文献[7]提出的模糊控制策略的仿真结果进行对比,结果表明：采用改进的模糊控制算法后,电池SOC提高了2%,制动能量回收效率提高了33.7%,整车系统的效率提高了3.1%,表明文中提出的改进的模糊控制算法能提高纯电动汽车制动能量回收的效果,有效延长纯电动汽车的续航里程.     

基于粗糙集的确定性控制规则决策模型

粗糙集属性分区数的变化会影响属性重要性和属性对决策属性的支持度。该文对知识表示系统的数据相关性进行分析,综合考虑系统的泛化能力,提出能生成确定性控制规则的决策模型,给出决策模型中属性分区数求取以及属性相对约减产生的判据与算法实现。实验结果表明,该算法简洁有效,验证了决策模型的准确性与实用性。     

基于Hénon映射的自适应克隆选择优化算法

免疫算法与遗传算法都存在的不成熟收敛问题。混沌优化方法是近年出现一种新的优化技术,通常使用Logistic或Tent映射产生混沌序列进行搜索,Logistic映射产生的混沌序列的概率密度函数切比雪夫型分布,当最优值落在[0,1]的中间位置时,这种分布特性会影响全局搜索能力和效率。而Tent映射也存在迭代易落入小周期循环的问题。针对免疫算法和混沌优化算法中存在的缺陷,该文用变尺度的搜索策略,提出了一种基于Hénon映射的自适应克隆选择的优化算法,数值仿真结果表明,该文提出的算法提高了局部搜索的能力及其计算效率,算法可行有效。     

基于改进SIFT的图像特征匹配算法

鉴于传统尺度不变特征变换(scale invariant feature transform,SIFT)算法特征描述子维度过高、匹配时间长和误匹配率较高的问题,提出一种改进SIFT的图像特征匹配算法.首先,将SIFT特征点邻域的方形区域改为十字形分区来简化特征描述子,降低描述子的维度,减少匹配计算量;然后,在由欧式距离...     

分布式电动汽车附加横摆力矩研究

为提高分布式电动汽车在高速转向工况下的稳定性,针对分布式双电机后驱系统进行转矩分配研究。根据横摆力矩得到汽车转向时左右驱动轮驱动力矩,再对横摆角速度、质心侧偏角与附加横摆力矩关系加以分析,得到横摆角速度误差值及质心侧偏角误差值,并以两个误差值为双输入,附加横摆力矩为单输出,进行模糊控制,并对附加转矩施加至左右驱动轮的方式进行判断。利用Carsim软件与Matlab/Simulink软件联合仿真对结果进行验证,结果表明:经过模糊控制及输入判断的附加横摆力矩施加到驱动轮后,使得分布式电动汽车在高速转向工况下拥有良好的稳定性。