无线传感网络中拥塞控制与路由的跨层设计:分布式牛顿法

无线传感网络应用广泛, 其性能与路由选择和拥塞控制密切相关. 致力于拥塞控制与多径路由的跨层优化, 以实现在链路容量受限和节点能量受限情况下的无线传感网络效用最大化. 针对对偶次梯度算法具有收敛速度慢与信息交互量大等缺陷, 设计了具有二阶收敛性能的分布式牛顿算法来实现网络效用最大化. 通过矩阵分裂技术, 实现了只需单跳信息交互的牛顿对偶方向的分布式求解方法. 仿真结果表明, 分布式牛顿算法的收敛性能显著优于对偶次梯度算法.     

基于熵方法广义关联度的织物检测

对织物的失真变形程度进行匹配检测.将熵方法广义关联度系数法的概念引入其中,以两组随机信号分别描述两幅织物图像的灰度特性,继而提出了一种以墒方法广义关联度系数为织物失真程度的指标.鉴于广义关联度系数是用于描述两个随机变量内在联系的,首先分析了广义关联度系数与两幅织物图像相似性的关系,其广义关联度系数的值愈大则图像愈相似,否则愈不相似,并进行了实验验证.实验结果表明,该算法是可行有效的.可以对织物图像的相似性进行定量描述.以界定织物失真变形的程度.     

基于改进对偶分解的智能电网快速实时定价方法

实时电价是需求侧管理策略的重要手段,是解决智能电网供需平衡的理想需求响应机制,能起到削峰填谷的作用。为此,为智能电网设计了一种分布式实时电价算法:基于改进对偶分解的近端中心算法,求解用户总效用与电能供应商成本之差最大的优化问题。在此算法中,对偶问题的拉格朗日乘子即为实时电价,通过迭代更新拉格朗日乘子,形成电能供应商的实时电价与用户的实时能耗水平之间的互动,算法最终为每个用户找到最优的能耗水平(即用户的总效用最大化),同时使得电能供应商的成本最小化。所提算法既保留了问题的可分离性,又加快了收敛速度,克服了基于对偶分解的次梯度法求解该优化问题在用户规模较大时收敛慢甚至不收敛的缺点。仿真结果充分表明了所提算法具有快速收敛的特性。     

茶下脚料中膳食纤维的提取工艺

以荼下脚料为原料,采用酶解处理和碱处理相结合的方法,研究酶浓度、碱浓度、反应温度和处理时间对膳食纤维提取率的影响,并对产物的性质进行分析,得到茶中膳食纤维的最佳提取工艺为0.5%a-淀粉酶于60℃处理90 min,洗涤过滤,再用0.5%的氢氧化钠70℃处理25 min,漂洗至中性烘干即可.由茶渣获得的膳食纤维成品具有较高的提取率,而由茶梗获得的膳食纤维具有较好的膨胀率和持水率,开发利用的前景更佳.同时,对茶下脚料的开发利用可获得功能性产品.     

基于像素统计特性及细胞神经网络的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性，提出了一种基于像素统计特性及细胞神经网络（CNN）的目标分割方法。首先建立图像每一像素点的高斯分布模型，并根据图像序列中的当前帧及历史帧信息自适应地调整模型的参数。然后结合图像的帧间信息将图像从空间域映射到统计域。最后在统计域中用细胞神经网络方法对其进行目标分割。由于CNN是由局部互连的细胞组成，因此易于用VLSI实现。通过对图像像素建立细胞近邻模型，可以获得较强的鲁棒运动目标分割。实验的结果反映了该方法的有效性。     

基于计算机视觉的衣服尺寸测量

为了实现衣服尺寸的自动测量，提出了基于计算机视觉的衣服尺寸的测量方法，分析了这一自动测量的硬件系统，并对测量处理过程中的关键算法进行了讨论。     

动态图像序列中的运动目标检测

根据动态图像序列中背景因成像过程中各种因素而产生变化所存在的复杂性，提出了自适应的前景目标检测方法。首先，建立图像每一像素点的高斯分布模型，并根据序列中的当前帧及历史帧信息自适应地调整模型的参数。然后，结合图像帧间的差分信息以及灰度分布的先验概率等因素将图像从空间域映射至统计域。最后，在统计域中对前景目标进行鲁棒分割。实验的结果反映了该方法的有效性。     

基于相对形变模型及正则化技术的人体运动估计

为了使根据人体行走的单目动态图象序列，对人体手臂及腿部的运动及结构参数进行估计的结果更为可信、更具鲁棒性，提出了一种基于相对形变模型及正则化技术的人体运动估计方法，该方法首先在物体中心坐标的运动表示方式下，通过在刚体运动模型中加入形变系数的方法给出了基于相对形变概念的非刚体运动模型；然后，根据这一非刚体运动模型进行正则化运动及结构参数的估计，再以正则化的形式融入人体运动的先验知识，使运动估计的结果更具鲁棒性，实验结果证明，该方法有效地反映了人体的非刚体运动模式，运动模型中所加入的相对形变系数也一定程度反映了人体的运动规律。     

基于神经网络的图象序列特征点匹配

利用神经网络优化技术解决图象序列的特征点匹配问题，将特征点匹配归结为一个带约束的优化问题，并用2D Hopfield网络实现，在Hopfield网络的能量函数的设计中，综合考虑了特征点的预测结果、特征点的遮挡等情况，从而克服了现有的多数方法所存在的误匹配现象，对于特征点的跟踪，头3帧图象的正确匹配是十分关键的。本文提出了一种3D Hopfield网络用以解决头3帧图象的特征点匹配，并提出了一个运动平滑性的代价函数用以构造3D Hopfield网络的能量函数，实际图象序列的实验结果证明了本方法的有效性。     

自适应粒子滤波在人体跟踪过程中的应用

人体运动跟踪技术近年来在图像处理与计算机视觉领域引起很多关注,在当前一些重要研究和应用领域有着广泛的需求。在以往跟踪方法的基础上提出了基于决策规则的自适应粒子滤波的无标记运动目标跟踪方法。利用一个带外观模板的人体关节模型,通过学习得到运动模型及基于关节模型的相似性计算,巧妙地利用自适应粒子滤波对运动目标进行实时跟踪,使得在粒子滤波过程中,可以根据实际滤波情况在线调节粒子数。实验表明,提出的算法鲁棒性好,跟踪速度比基于传统粒子滤波的快。