基片式多纵模拍频光纤激光位移传感器

提出并设计了一种基片式多纵模拍频光纤激光位移传感器,利用谐振腔中不同模式之间的拍频信号实现传感,可以监测物体微小位移。该传感器采用应变传感基片结构,有效对光纤进行保护,并能缓冲拉伸和压缩带来的形变,增加传感器灵敏度。同时在原有多纵模拍频光纤激光器的基础上进行了改进,使系统获得更高的信噪比。阐述了多纵模拍频传感器的测量原理,设计制作应变片并搭建实验平台。实验选取4个不同拍频信号作为传感信号,实验数据表明:在0~30 mm范围内,频率漂移基本呈线性变化,线性拟合度最高可以达到0.999 4,这与理论推导结果一致。由于拉伸平台的拉伸精度限制,该传感器的测量精度为110-3 mm。经过反复实验表明,该传感器具有良好的稳定性。     

基于小样本SVR的迁移学习及其应用

当前机器学习的技术已经运用到很多工程项目中,但大部分机器学习的算法只有在样本数量充足且运用在单一场景中的时候,才能获得良好的结果。其中,经典的支持向量回归机是一种具有良好泛化能力的回归算法。但若当前场景的样本数量较少时,则得到的回归模型泛化能力较差。针对此问题,以加权ε支持向量回归机为基础,提出了一种小样本数据的迁移学习支持向量回归机算法。该算法以加权ε支持向量回归机为Bagging算法的基学习器,使用与目标任务相关联的源域数据,通过自助采样生成多个子回归模型,采用简单平均法合成一个总回归模型。在UCI数据集和现实数据集——玉米棒与花生粒储藏环节损失数据集上的实验结果表明,该算法较标准ε-SVR算法与改进的RMTL算法在小数据样本上有更好的泛化能力。     

采用EKF与PF的室内融合定位技术

在室内定位的复杂环境中,WiFi指纹法的定位性能易受信号波动的影响,行人航位推算方法(Pedestrian Dead Reckoning,PDR)的定位误差会随时间逐渐累积,为了解决这两个方面的问题,提出了一种采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)与粒子滤波(Particle Filter,PF)的融合定位技术,该技术通过融合WiFi指纹法和优化后的行人航位推算方法来提高定位精度。在WiFi指纹法模块,该技术采用传统的加权k近邻法进行定位。在行人航位推算模块,该技术融合多种传感器进行航向估计,改进传统的非线性模型进行步长估计,使优化后的行人航位推算方法更适用于复杂环境中的实际应用。最后,结合粒子滤波和室内地图信息,该技术能够校正估计位置并进一步提高定位精度。通过实验表明,本文提出的融合校正方法能够有效提高定位精度。     

基于证据价值的冲突证据合成方法

证据理论作为一种不确定性推理,广泛应用于人工智能、信息融合等方面。针对高冲突证据在组合过程中易产生各种与事实相悖的结论,提出了基于证据价值的冲突证据合成方法。此方法首先定义了证据价值的标尺,借用欧氏距离的概念计算证据自身价值,并规则化作为权重,然后引入未知项,修正证据源,再利用D-S合成公式对证据进行合成。实例分析表明,此方法在处理冲突证据时是有效、可行的。     

基于覆盖分割和活动轮廓模型的图像边缘提取算法

针对传统算法对边界模糊的图像分割效果不理想,分割结果多毛刺的问题,提出了一种由粗到细的图像边缘提取方法,主要由像素覆盖分割方法和Chan-Vese模型组成。将改进的覆盖分割方法和活动轮廓模型相结合,首先使用原始覆盖分割算法对图像进行分割,利用多方向模糊形态学边缘检测算法提取不同物体之间的边界;然后采用改进的像素覆盖分割方法给边界像素重新分配覆盖值;最后,运用活动轮廓算法进行细化的图像边界提取;分别进行了分割结果的定性比较,抗噪性测试以及提取的边缘对比实验。实验结果表明,该方法对具有模糊边界的图像,提取边缘结果优于其他可比文献中提出的方法。     

基于骨干多边形的传感器网络分区双连通恢复算法

针对现有算法恢复分区连通性存在容错性差的问题,提出了分区双连通性恢复算法DCRA。该算法旨在网络中心区域构建骨干多边形,分区以两条互不相交的路径与多边形连接,从而实现分区间的双连通。仿真实验表明,与现有一些双连通算法相比,所提算法不仅减少了部署中继节点的数量,而且算法的运行时间能够减少60%左右,可以快速确定部署的中继节点位置,从而快速恢复分区连通性。     

求解模糊柔性作业车间调度的多目标进化算法

针对实际制造车间中工序加工时间具有不确定性,将加工时间采用模糊数表示,建立一种多目标模糊柔性作业车间调度模型,并提出了有效求解该模型的多目标进化算法.算法采用混合机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码.定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序.接着,提出一种基于移动模糊关键工序的局部搜索策略.实验部分首先通过田口试验方法来研究关键参数对算法性能的影响;其次,将所提算法与三种不同的优化算法作对比.实验结果验证了所提算法的有效性.     

异构WSN中能耗偏差协调的分簇算法

针对异构无线传感器网络中的能量消耗不均匀,能量利用率偏低的问题,提出了基于能耗偏差协调的分簇算法(CDEC)。该算法充分利用网络异构性的特点,通过引入节点能耗偏差度β及其协调参数λ,对簇头选举的门限值及簇头轮换的条件进行实时调整,以达到均衡网络能耗、降低额外能耗的目的。仿真结果表明,CDEC分簇算法使得网络中能量的消耗更加均衡合理,显著延长了网络寿命,提高了网络的吞吐率。     

基于Grid-VFACO的数字化车间WSNs路由算法

针对数字化车间中无线传感器网络(WSNs)对数据采集频率高,能量消耗快,提出了基于网格和虚拟力导向的蚁群优化(Grid-VFACO)高能效WSNs路由算法。该算法根据最优簇首数将数据采集区划分成网格,在网格中采用基于候选者的机制选择簇首,实现簇首均匀分布。在簇首形成的上层网络中,利用节点间的虚拟吸引力作为蚁群算法中转移概率规则启发因子,寻找最优数据转发路径。仿真实验结果表明:该算法能够有效减少网络能耗,保证数字化车间WSNs长时间稳定地工作。     

基于改进差分进化算法的非线性系统模型参数辨识

针对非线性模型的参数估计寻优较为困难的问题,提出一种基于改进的差分进化算法的非线性系统模型参数辨识新方法。通过引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性以避免早熟,并在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。交叉概率采用动态非线性增加的方法,提高了收敛速度。为了验证算法性能,针对几类典型的非线性模型参数辨识问题进行了仿真研究,并将其应用于一类发酵动力学模型参数的估计中。结果表明改进算法的参数辨识精度高,收敛速度也比较快,有效提高了模型建立的精度与效率,为解决实际系统中参数估计问题提供了一条可行的途径。