基于邻域密度的异构数据局部离群点挖掘算法

由于数据集规模、维数,以及复杂程度的不断提高,导致对其离群点的挖掘难度越来越大,提出了基于邻域密度的局部离群点挖掘算法.首先依据节点计算性能对高维数据进行区域分割,通过各个维度的数据分布来评价区域分割的效果.然后采取核密度来描述局部密度,根据高斯分布得到数据出现次数,进一步计算出数据邻域密度.再由邻域及密度关系计算得到各数据离群度,从而判断异构数据中的离群点.最后针对可能存在的离群误判情况,采取离群分数计算,为增强此过程的检测性能,利用权重进行剪枝处理.人工与UCI数据集上的仿真结果表明,当数据量和数据维数改变时,算法对离群点挖掘的准确度几乎不受影响,挖掘时间和覆盖率指标也显著优于其它方法;同时对于不同类型和复杂度的异构数据,算法仍然保持良好的挖掘准确度和效率.     

基于云计算的多机器人目标智能跟随控制研究

随着信息智能化的快速发展,机器人在工作过程中面临着大量的数据计算、存储与调度等问题,结合多机器人协同工作,提出了基于云计算的多机器人目标智能跟随控制方法.通过人机载距传感器对多机器人以及跟踪目标进行定位,建立二维坐标系的局部地图.以目标的运动状态为基础,对其运动方向和速度进行预测,为每个机器人创建独自的跟踪器来预估目标的跟随状态,将最大近似概率和对应的测量数据、跟踪轨迹进行关联,直到所有的测量数据或跟踪轨迹全部关联完毕.采用松散耦合架构的设计方法对云服务平台的基础层进行设计,为了降低云服务系统的复杂性以及耗时性,采用容器批量部署方式的微服务体系,将各个小服务的代码与环境进行隔离.实验结果表明,所提方法不仅实现了多机器人对目标的良好跟踪,还可以通过云操作系统进行任务分配,稳定高效地完成目标智能跟踪与相互协作.     

一种巴特沃斯低通滤波器构成的PWM转DAC设计

本文提出一种巴特沃斯有源低通滤波器构成的PWM转DAC设计,利用STC8单片机片内12位分辨率的PWM发生器产生了频率为10 kHz、占空比可变的PWM信号。将信号送入巴特沃斯低通滤波器后,PWM信号转换为直流电压,电压幅度与PWM信号占空比呈正比变化,转换得到的直流电压纹波小于0.2 mV,转换分辨率可达1/12位。转换电路线性度较高、纹波小、谐波抑制比较高。相比于专用DAC芯片或PAC芯片而,该方案性价比高,可以适配于分辨率要求高、建立时间要求一般的应用场景。     

地铁低压配电系统中的谐波分析与补偿控制方法

在地铁低压配电系统中,动力照明负荷中有大量非线性负载存在,从而引起谐波问题,因此需要对谐波进行补偿及控制.根据瞬时无功功率理论谐波电流检测法,导入平均电流控制器建立了模拟模型.地铁低压配电系统的APF具有良好的电流谐波补偿性能,能够实现谐波抑制,从而实现无功补偿和谐波抑制,效果较好.     

融合多种策略的改进粒子群算法

为有效解决粒子群优化算法(Particle Swarm Optimization, PSO)容易陷入局部极值及进化后期收敛速度慢、精度低等缺点, 提出了一种融合多种策略的改进粒子群算法(Improved Particle Swarm Optimization, IPSO). 该算法包括以下4点改进:(1)采取分组控制策略, 按适应度值将种群分为优解组和劣解组, 优解组进行遗传交叉操作, 劣解组进行变异操作; (2)精英策略用来更新种群, 根据适应度值从经过交叉和变异操作后的种群及初始种群中选出前一半粒子作为新种群; (3)改进粒子学习模式, 充分利用种群信息, 以优良种群的均值代替个体最优位置;(4)引入概率控制来控制算法进入交叉和变异操作的概率. 测试函数的仿真结果表明, 与标准PSO及其改进算法相比, IPSO算法能有效兼顾全局探索和局部挖掘能力, 具有收敛速度快、求解精度高、避开局部最优解的优点.     

电传动牵引系统辅助滤波器设计

简要分析基于电传动轨道车辅助逆变单元谐波产生的机理,根据负载谐波要求,对设置交流滤波器的必要性做以说明,重点阐述交流变压滤波器的参数设计,并且通过仿真对设计参数选择做了确认。仿真及样机试验结果表明,变压滤波器参数选择对消除谐波满足实际应用价值。     

自适应概率选择模型的改进蚁群算法研究

传统的蚁群算法在路径规划中存在收敛速度慢、易陷入局部最优解等问题。针对这些缺陷,提出一种基于自适应概率选择模型的改进蚁群算法。最后,在Matlab2016a仿真软件中构建两种地图环境,对两种算法在不同环境下的适应性和寻优能力进行仿真实验。结果表明,改进的蚁群算法的体现了更好的收敛性,在复杂环境下的最优路径和寻优时间更短。     

基于改进的花授粉算法的虚拟机分配策略

构造绿色云数据中心的两个主要目标是低能量消耗与物理资源利用效率的充分利用,为此需要采用虚拟机分配策略来完成优化。本文提出了基于改进花授粉算法的虚拟机分配策略（Flower pollination algorithm based virtual machine allocation, FPA-VMA）。FPA-VMA中一朵花或一个配子就对应于虚拟机映射到物理主机分配优化问题中的一个解;并且描述了云数据中心云客户端的资源请求模型和多维物理资源的能量消耗模型。FPA-VMA在花授粉的动态切换概率阶段的策略可以平衡全局最优解搜索和局部最优解搜索之间的切换,同时改善资源分配的全局收敛能力。真实的虚拟机数据的访问测试结果标明：FPA-VMA比常见的虚拟机分配优化策略有更低的能量消耗和更高的物理资源利用效率。     

优化初始聚类中心选择的K-means算法

K-means算法的聚类效果与初始聚类中心的选择以及数据中的孤立点有很大关联,具有很强的不确定性。针对这个缺点,提出了一种优化初始聚类中心选择的K-means算法。该算法考虑数据集的分布情况,将样本点分为孤立点、低密度点和核心点,之后剔除孤立点与低密度点,在核心点中选取初始聚类中心,孤立点不参与聚类过程中各类样本均值的计算。按照距离最近原则将孤立点分配到相应类中完成整个算法。实验结果表明,改进的K-means算法能提高聚类的准确率,减少迭代次数,得到更好的聚类结果。     

一种基于对抗学习的实时跟踪模型设计

目标跟踪指在视频帧中找到感兴趣目标的运动位置,广泛应用于环境感知、安防监控和无人驾驶等领域。为进行高效的目标跟踪,建立一种基于对抗学习和特征压缩的相关滤波器目标跟踪模型。为了同时兼顾精度与速度,在模型中引入特征提取优化、特征压缩和特征聚合等步骤。在提取图像特征前,采用对抗学习方法解决特征提取模型中训练数据与任务数据分布不匹配的问题。在特征压缩阶段,应用双通道自编码器结构和特征聚合来增强模型对图像风格的泛化能力。实验结果表明,与非实时跟踪算法相比,该模型在精度损失不超过3%的情况下能取得明显的速度提升,其跟踪速度高达103FPS。