多形态分区的子系统融合多站时差定位

以多种4站定位的站点形态特征划分区域,按照定位精度互补原则跨区域组合站点构成子系统,再对子系统的定位解进行数据融合处理.文中还通过一种新的时刻标定方法,以牺牲测量时间误差换取定位解的误差规律,并结合解的几何精度稀释(GDOP)值进行精度修正.仿真实验表明以上方法对多站时差定位的运算效率和定位精度都有明显提高.     

板形控制在莱钢宽厚板的应用

板形控制是宽厚钢板生产的一个关键因素,板形控制的好坏直接决定到毛边板的边部和头尾的剪切量,其控制精度对确保钢板质量和提高成材率是极其重要的。本文以莱钢4300mm宽厚板为例介绍板形控制技术和模型的应用,为轧机的钢板板形的控制提供了借鉴依据。     

遗传算法在SAR图像目标鉴别特征选择上的应用

针对SAR图像鉴别特征选择,在候选特征数较多情况下的应用,文中利用遗传算法提出了一种可靠、准确的鉴别特征选择方法。首先介绍了常用于目标鉴别的19个特征。然后利用遗传算法对上述特征进行了选择。并在评价环节中,对原有方法中适应度函数的权值进行了调整。通过对比实验表明,适应度函数权值的调整,能够加速种群的进化速度,提高了鉴别特征选择的准确性和有效性。     

拉格朗日松弛的无人机路径规划

提出了基于城市建筑物遮挡模型的无人驾驶飞行器（简称无人机）路径规划方法,主要包含两方面的内容：一是利用圆柱体虚拟城市的建筑物环境,使建筑物对无人机的遮挡面积可计算,另外,由于建筑物的相对位置会相互遮挡,不可以进行简单的面积加法。采用程序实现了无人机的遮挡总和的计算,即每个建筑物遮挡面积的并集。二是在计算出无人机飞行的水平平面上（x,y）点的遮挡曲面值的基础上,给出了无人机基于拉格朗日松弛算法的优化路径规划,即走一条遮挡面积最小的路径的方法。给出matlab仿真结果,实验结果表明该方法是十分有效的。     

多通道瞬态信号自适应变频算法

为了解决在多通道瞬态信号测试领域,传统测试系统长时间高采样率测试产生的冗余数据对系统存储和传输带来的压力,提出了一种自适应变频算法。该算法采用与传统测试相同的采样率获取原始数据并以时间分段,依据每段信号的频域特征确定瞬态信号发生时刻和持续时间,对非瞬态信号进行二次采样,达到在完整保留瞬态信息的前提下减少冗余数据的目的。在实际爆炸冲击波场测试中进行验证,经过算法处理后数据压缩比大于33,同时保证瞬态信号持续期间数据完整,非瞬态信号持续期间最大误差小于0.5FS. 试验结果表明,该算法可有效减少瞬态测试过程中的冗余数据。     

基于对比度受限自适应直方图均衡的乳腺图像增强

采用对比度受限自适应直方图均衡对乳腺图像进行增强,有效地增强了乳腺图像中的细节,如钙化点、乳导管等组织;并通过对算法中相关参数研究,得到应用于乳腺图像增强的参数优选值,以求获得较好的增强效果,为医师分析影像提供方便。通过与灰度直方图均衡的结果进行比较得出：对比度受限自适应直方图均衡为乳腺数字图像增强的有效方法,在计算机辅助乳腺诊断方面有较高应用价值。     

基于深度学习的光电系统智能目标识别

智能目标识别技术是光电系统多维立体侦察体系的重要支撑,是实现多角度、全方位目标定位、感知分析的基础。为满足复杂环境下光电系统中基于深度学习的目标识别需求,聚焦数据、算法和计算能力三大挑战,提出一种基于多源信息融合的智能化目标识别方法,对多个传感器融合得到的图像进行学习和训练,从而提高目标识别的能力。基于多维图像融合的目标识别技术,将多波段融合图像数据进行标注、训练学习,用来自动识别出图像中的多个目标。实验结果表明,所提算法能够实现对融合目标的精确识别与定位。     

软件设计中减小交流采样测量功率因数误差的一些方法

在利用交流采样得来的数据进行功率因数角的计算过程中,软件设计对计算结果有很大的影响。本文从减小同步误差、减小频差序数和减小舍入误差等三个方面人手,减小功率因数角的计算误差。经仿真和实际运行,应用这些方法可以在十六位字长定点计算的处理器上,有效的降低噪声和谐波的干扰,提高功率因数角测量的精度。     

改进激素算法求解置换流水车间调度问题

遗传算法中由于激素调节的选择、交叉以及变异算子存在较大目标函数值失调的问题,提出了基于改进激素浓度计算法的自适应遗传算法(IHCCM-IAGA)。IHCCM-IAGA采用基于工件排列的编码方式,并利用反向学习法初始化种群,提高了初始解的质量;针对两点交叉(TPX)算子存在冗余度高、效率低等问题,提出了改进型TPX (ITPX),并引入优良基因库及免疫因子,实现两种交叉方式,同时监控整个进化过程,避免了优质染色体的丢失;设计了多种扰动保持丰富的多样性结构以及相关的局部搜索算法组合成变异算子,建立种群湮灭算子,并设置湮灭因子来引导变异算子中的局部搜索。将IHCCM-IAGA应用于置换流水车间调度问题中,并进行该问题标准算例的各项测试,结果表明IHCCM-IAGA切实有效。     

基于能量模型的行人与车辆再识别方法

为了解决行人再识别以及车辆再识别算法中网络训练过程对计算资源的消耗过大且准确率较低的问题,提出基于能量模型的目标分类和度量学习方法. 利用样本特征空间中同类样本的低能量分布特性, 设计对比能量损失函数,形式上表达为训练样本在真实目标类别上的损失函数响应和非目标类别上的响应之差,可以更准确地增大目标响应,抑制非目标响应, 提高了分类准确率,使得同类样本特征更聚集、异类样本特征更远离. 在多个行人再识别和车辆再识别数据集上的测试结果显示, 相对于Soft-max和Triplet混合损失函数, 利用能量模型可以提升网络训练效率,提高目标再识别准确率.