基于改进遗传算法的数字信号特征集选取

针对通信信号的特点,提出了一种应用于信号特征筛选的改进遗传算法。该方法首先确定了最能表现信号调制间差别的特征子集即优秀基因库,然后在遗传过程中通过选择、淘汰引起优秀基因库大小的变化,最后通过引进不同大小的库外特征量,保证每代遗传过程中的交叉和变异概率随环境的变化而自适应的变化,最终筛选出一高质量的特征子集,并结合RBF神经网络分类器得到更好的识别效果。通过仿真实验验证了该方法不但具有求解全局问题的鲁棒性、收敛性,而且具有更快的收敛速度和更强的全局收敛性。     

一种新的最小二乘支持向量聚类

针对传统支持向量聚类的低性能和高耗费问题,提出最小二乘支持向量聚类(LSSVC)模型,设计自适应参数化方案。模型中包括两步簇划分算法和快速训练算法。前者对支持向量和非支持向量分别进行划分,后者采用增量方式,每次增量对应聚类模型的双向学习过程。实验结果证明,LSSVC可有效提高同类算法的效率,具有良好聚类能力,当数据增量为工作集大小的10%时,算法可在时间耗费和聚类准确率之间取得良好的平衡。     

基于性能需求的自适应中间件框架

分析影响服务质量的构件资源需求与资源依赖关系模型,提出一种自适应中间件框架。该框架能动态感知负载变化,自适应调整服务器配置参数,确保应用的服务质量。采用回溯算法搜索最优配置,以满足性能需求。以一个信息查询系统作为测试用例进行实验,结果表明,该框架可以提高应用程序的性能。     

高精度角速率参数测量方法设计

针对目前武器弹药研究领域对高旋弹角速率测量范围宽、测量精度高的需求,提出了一种基于电磁感应原理的角速率参数测量方法,并设计了相应的传感器.利用现场可编程门阵列(FPGA)作为控制核心,构建角速率频率跟踪测量模型,实现对弹体角速率参数的测量,并采用周期清零的方式消除测量过程中的累积误差.仿真试验结果表明:该测量方法能够实现大动态范围1 ～ 100 rps的角速率测量,测量误差小于0.3％,满足高旋弹大转速、高精度的测量要求,在姿态测量和空间导航等领域具有一定的工程应用价值.     

基于神经网络补偿的转台伺服系统控制研究

针对飞行仿真转台伺服系统中存在的非线性摩擦干扰进行了研究,采用一种基于RBF神经网络进行误差补偿的在线自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,利用RBF神经网络的万能逼近特性在线辨识模型误差,从而对系统进行补偿,其权值自适应律根据Lyapunov稳定性理论推导,保证了系统跟踪误差的收敛及稳定,仿真结果表明该控制策略可使位置MAE指标从0.0087m提高到0.0016m,使位置MSE指标从1.0128e-4m提高到3.3002e-6m,具有较高的鲁棒性和稳态控制精度。最后分别从隐层节点数及节点中心学习算法的变化两方面提出两种改进方案,仿真结果表明隐层节点数的增加可以进一步减小位置误差,而采用K-means均值聚类算法解决了神经网络节点中心按经验选取或试凑的困难。     

一种基于电磁感应原理的角位移参数测量方法

针对目前常规弹药弹体研究领域角位移参数大动态和高精度的测量需求,提出了一种基于电磁感应原理的角位移参数测量方法,并设计了相应的角位移传感器.采用感应线圈获取弹体大转速动态范围内切割地磁场的信息,通过边沿检测和脉冲计数相结合的自适应闭环频率跟踪测量算法测量弹体旋转过程中的实时角位移参数信息,并采用周期清零的方式,消除累积误差.半实物和实物仿真试验结果表明:该角位移传感器不仅能够测量大动态范围内的角位移,拓宽测量范围从600°/s~36000°/s,而且完全消除了测量过程中的累积误差.测量误差小于0.220%,累加误差最大只有0.2°/s,实现了对弹药弹体角位移参数的实时、高精度测量,在姿态测量和地磁导航等应用领域具有一定的工程应用价值.     

基于Ptolemy Ⅱ的无线传感器网络自适应通信体系结构

针对现有的异构无线传感器网络(WSN)体系结构中,不同的数据链路层缺乏通用架构的问题,提出在网络体系中增加“属性装配层”的概念。采用Ptolemy Ⅱ建模仿真平台,将属性装备层与数据链路层分别建模,首先采用属性装备层中的属性工厂模块分类各种通信协议原型,封装上层应用程序;然后采用装配工厂模块生产数据包头,分发于不同的网络;最后形成自适应的无线传感器网络体系。该体系融合了异构网络数据链路层,兼容了现有的平台、通信协议和网络机制,适用于未来的通信协议和机制。实验结果证明,基于该体系的通信系统内存占用和时间开销相对较小,具有自适应能力。     

改进的自适应中值滤波算法

中值滤波窗口大小影响滤波器性能,3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点,若候选噪声点仍然是7×7窗口的极值点,则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声,则噪声用中值替换。重复以上过程,直到没有噪声点被替换。如果图像中仍然存在大的噪声团块,则噪声用相邻的三个信号点的灰度均值替换。实验结果表明,该方法能够有效去除脉冲噪声,并在抑制噪声的同时很好地保护图像的细节。     

复杂光照下的自适应人脸图像增强

提出了一种自适应的快速图像增强算法用于改善复杂光照下的人脸检测。算法对人脸图像的增强分为两步:动态范围压缩和细节增强。算法首先利用对数变换和非线性变换,增强图像阴暗区域的信息,同时对高光区域进行有效地抑制,然后利用反锐化掩模滤波对图像的细节进行增强。将各种增强算法应用于图像的预处理,结合Adaboost人脸检测算法,在Yale B人脸数据库上进行对比实验。实验结果表明,自适应快速图像增强算法能有效提高人脸检测率和降低误检率,具有比直方图均衡算法、单尺度Retinex算法和多尺度Retinex算法更好的性能。     

基于均值移动与粒子滤波融合的跟踪算法

针对均值移动算法鲁棒性差以及粒子滤波算法计算量大、难以满足实时跟踪的特点,提出2种先均值移动后粒子滤波的融合算法,分别为粒子数目保持恒定的融合算法和粒子数目自适应的融合算法。实验结果证明,与已有算法相比,2种算法在实时性提高的同时,跟踪准确性和抗干扰能力没有明显下降。