SMA驱动丝的建模与仿真

研究SMA动力学优化模型,针对形状记忆合金(SMA)驱动丝具有强非线性、迟滞效应等特性,为设计SMA驱动丝的自适应结构,提出建立SMA驱动丝模型并提供高效的仿真方法。采用有限元软件实现了受轴向载荷的SMA驱动丝的仿真建模。对本构模型是根据自由能的一维热-力学耦合模型,可以同时复现形状记忆效应和超弹性。数值仿真能够引起材料相变的非均匀温度和应变分布。仿真结果表明,建立热-力学耦合模型,可为设计SMA驱动丝的自适应结构计算提供可靠依据。     

基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

红外弱小目标的匹配方法研究与仿真

研究红外图像中的目标匹配问题。针对传统的红外图像中目标匹配效果不理想,匹配不准确。当红外图像中是弱小目标时,背景灰度值与目标灰度值非常相近,灰度直方图均衡化无法实现目标与背景的完整分离,导致漏匹配率较高的问题。为提高目标的匹配精度,提出一种形态学预处理的红外目标匹配方法,通过形态学算法提取出图像中的形状信息,利用形状信息将红外图像中的目标与背景完整分离,避免了只依靠灰度图像信息造成的不能完整分离目标与背景带来的漏匹配问题。进行仿真的结果证明,采用的形态学与处理的匹配方法能够完整将目标与背景分离,成功完成目标匹配,取得了满意的结果。     

电子警务中三维全景技术应用研究

随着信息技术的飞速发展,三维全景技术已成为电子警务中重要的组成部分。本文通过对三维全景技术特点和发展状况的介绍,提出了一套三维全景地理信息系统的应用框架,探讨了三维全景技术应用中的关键技术,并结合电子警务建设实际,详细介绍了三维全景技术在电子警务中的具体应用。可以预测,随着三维全景技术和物联网技术、云计算的集成,未来三维全景技术将成为电子警务的主流技术。     

服务器集群负载均衡的建模与仿真研究

研究服务器集群负载优化调试问题,各服务器负载能力差异较大,要求尽可能使每一个服务器的负载均衡,传统方法没有考虑负载动态变化特点,导致服务器集群负载极不均衡,系统性能差。为提高集群系统的整体性能,提出一种基于遗传算法的服务器集群负载均衡算法。首先根据负载均衡目标建立数学模型,然后采用遗传算法模型进行求解。仿真结果表明,遗传算法提高了服务器集群系统吞吐量,使系统负载更加均衡,使整个集群系统的资源得到充分利用。     

“天河一号”大规模科学与工程计算应用

安装在国家超级计算天津中心(以下简称天津超算中心)的"天河一号"超级计算机系统是目前世界上最快的超级计算机,已广泛应用于多个高性能计算领域,并取得了一系列具有国际影响力的应用成果。本文主要介绍了"天河一号"在石油勘探数据处理、生物信息与生物医药、环境科学、工程仿真、磁约束聚变领域的最新应用成果,其成果表明"天河一号"在上述领域具有良好的可扩展性和并行效率,对自主科技创新和产业技术提升给予了巨大支撑。     

图像半色调化算法研究综述

半色调化算法是图像打印输出的关键技术之一。介绍了简单阈值比较算法、使用随机数的半色调化算法、误差扩散算法、点扩散算法、按序抖动算法和抖动算法等一系列半色调化算法,并揭示了这些算法之间的联系。为了高效率地对图像做半色调化操作,商用光栅图像处理器一般使用抖动算法。抖动算法生成的半色调化图像的质量取决于所采用的抖动矩阵。基于几何分割设计半色调化抖动矩阵的方法可以在满足堆栈限制的前提下优化半色调化图像的质量。使用随机数的半色调化算法可以消除图像半色调化中产生的莫尔纹。随机半色调化算法的基础是将一定数量的随机点均匀地分布到一个正方形区域中。Asano提出了随机点均匀分布问题等价于圆形装填问题的命题,本文对该命题给出了初步的证明。最后,给出了一些有待进一步研究的图像半色调化课题。     

提高定点精度的FPGA信号处理算法

为了满足速度、功耗等诸多限制的要求,数字信号处理算法常使用FPGA实现。而实现时由于硬件特点,通常将浮点运算转换成定点运算,但定点转换设计流程复杂、周期长,且存在数据范围和精度之间的矛盾。利用浮点数的优点,本文改进了基于FPGA的定点数的基本运算规则,有效解决了上述矛盾。本文详细论述了实现移位、加/减、乘、除基本运算模块的方法和步骤,最后以FIR数字滤波器为设计实例。仿真结果表明:改进的定点数算法比定点运算误差小、精度高、数据范围宽,能有效地防止溢出。     

选择性集成算法分类与比较

选择性集成是当前机器学习领域的研究热点之一。由于选择性集成属于NP"难"问题,人们多利用启发式方法将选择性集成转化为其他问题来求得近似最优解,因为各种算法的出发点和描述角度各不相同,现有的大量选择性集成算法显得繁杂而没有规律。为便于研究人员迅速了解和应用本领域的最新进展,本文根据选择过程中核心策略的特征将选择性集成算法分为四类,即迭代优化法、排名法、分簇法、模式挖掘法;然后利用UCI数据库的20个常用数据集,从预测性能、选择时间、结果集成分类器大小三个方面对这些典型算法进行了实验比较;最后总结了各类方法的优缺点,并展望了选择性集成的未来研究重点。     

Vague集的新模糊熵

本文指出了现有Vague集模糊熵定义的不足,分析了其存在不足的根本原因,给出了Vague集模糊熵的公理化定义,提出了一种新的Vague集模糊熵的计算方法,并证明了其合理性和有效性。