群体环境下基于随机对策的多Agent局部学习算法

基于群体环境中个体agent局部感知和交互的生物原型,提出一种随机对策框架下的多agent局部学习算法．算法在与局部环境交互中采用贪婪策略最大化自身利益．分别在零和、一般和的单个平衡点和多个平衡点情形下改进了Nash-Q学习算法;提出了行为修正方法,并证明了算法收敛、计算复杂度降低．     

有效的红外与可见光图像融合方法研究*

针对红外图像可视化程度弱、对比度低的问题, 提出一种基于轮廓小波变换和区域能量的红外与可见光图像融合算法。首先进行多尺度小波分解, 然后进行多方向滤波; 引入循环平移方法来消除伪吉布斯失真;采用基于区域的能量融合规则, 重构变换系数得到最终融合结果;最后用信息熵、信噪比等指标来评价融合的性能。实验表明,该方法不论在客观评价还是在主观评价指标上都优于其他融合方法, 提高了融合图像的视觉效果, 可以得到更加清晰的融合图像。     

基于数学形态学的自适应边缘检测新算法

考虑到在形态学中,不同形状的结构元素和不同尺度的元素在去噪声和保持图像细节方面的作用是不同的,提出了一种基于多结构多尺度自适应形态边缘检测算法。对一般边缘检测算子做了改进,增加了边缘细节信息。通过计算检测后的边缘信息熵,自适应确定权值系数。将多结构元素检测的边缘和多尺度元素检测的边缘做融合处理,得到最终的图像边缘。实验结果表明,与几种经典边缘检测算法相比,所提出的算法能有效地抑制图像的多种噪声对边缘检测的影响,较好地保持图像边缘细节,自适应提取完整连续边缘。     

基于生物功能的拟人控制系统的平行体系

本文从系统学、生物学的功能划分基础上，提出了拟人控制系统的平行体系。平行体系是由拟人神经控制系统PCS2／N．拟人内分泌控制系统PCS2／E，拟人呼吸控制系统PCS2／Res,拟人消化控制系统PCS2／D，拟人生殖控制系统PCS2／Rep，拟人运动控制系统PCS2／M．拟人泌尿控制承统PCS2／U，拟人血液循环控制系统PCS2／BC构成的。     

基于DSP56F807的发变组保护装置的实现

提出一种基于DSP56F807的多CPU发变组保护装置的解决方案。分别介绍了装置的硬件和软件的设计思想归纳出与通用DSP相比DSP56F807的优点。该装置充分利用了DSP56F807的特点．使得装置具有很高的整体运行可靠性和稳定性。     

基于 Z85C30的 DSRC 高速数据通信在智能交通中的应用

Z85C30是ZILOG公司推出的多规程串行通信控制器。文中介绍了Z85C30芯片的物理特性、工作方式和时钟选择，给出了它在基于微波通信的DSRC中的应用电路。     

基于融合自适应形态滤波的分水岭分割新算法*

针对分水岭分割易产生过分割问题,提出一种基于融合自适应形态滤波的分水岭分割算法。该算法对图像进行多结构多尺度自适应形态滤波处理,从而抑制图像的暗噪声和暗纹理细节。为了增强目标和背景的对比度,进行高低帽变换,再应用浸没模型的分水岭算法进行图像分割。实验结果表明,与一般的分割算法相比,该算法能有效地抑制各种噪声对分割的影响,具有较强的抗过分割性能,快速有效地实现图像的分割。     

一种基于支持向量机和半监督期望最大化算法的分级图像标识方法

自动图像标识就是自动识别图像中的有意义目标并赋予其相应的语义关键词, 该过程虽然对于人类来说并不难, 但是对于计算机而言却是一项艰巨而有挑战性的任务. 鉴于人类识别物体通常是一个由粗到细的过程, 本文提出一种层次标识方案. 首先, 输入图像被自动分割成多个区域, 每个区域由支持向量机进行粗分类. 由于粗分类结果会直接影响后续细分类, 本文建立统计的上下文语义关系以修订不正确的粗标识. 接着为了对每个获得粗标识的区域进行细分类, 本文提出一种半监督期望最大化算法, 该算法不仅能为每一粗类别下的细类找到代表模式, 而且能对粗分类区域进行二次分类, 使其获得细标识. 最后我们再次应用上下文语义关系修订不合适的细标识. 为了证明上述识别方案的有效性, 我们开发了一个原型图像标识系统, 实验结果证明该层次标识方案是有效的.     

热连轧板宽板厚的实用自抗扰解耦控制

针对热连轧板宽板厚多变量系统存在强耦合、大时滞和随机不确定等难题,提出了一种线性自抗扰动态解耦方案.考虑到系统的大时滞问题,在常规的降阶扩张状态观测器(ESO)之前,增加了一个纯时滞环节.为了把所设计的实用自抗扰控制(ADRC)与常规PID控制器进行公平比较,各控制器的最佳参数均采用变尺度混沌优化方法得到.仿真结果表明,优化后的ADRC不仅具有较好的解耦性能,而且对模型参数的不确定性和外扰具有较强的鲁棒性和参数适应性.     

高炉透气性指数的改进多层超限学习机预测模型

高炉透气性指数是高炉操作者衡量高炉顺行状态的指标之一.针对传统透气性指数测量模型的缺陷,本文提出了一种基于改进的多层超限学习机(multi-layer extreme learning machine,ML–ELM)的高炉透气性指数预测模型.首先分析影响高炉透气性指数的相关操作参数,考虑到高炉生产数据含有大量噪声,运用小波去噪方法消除数据的噪声干扰.然后建立高炉透气性指数预测模型.在建模过程中,将偏最小二乘(partial least square,PLS)与多层超限学习机算法结合,消除多层超限学习机最后一层隐藏层的多重共线性,提高了模型预测精度.并且所提出的改进算法称为PLS–ML–ELM.最后使用现场生产数据对该模型训练和测试,预测结果表明所提出模型能够快速、精确地预测高炉透气性指数,并且为高炉的后续操作提供有效的决策与支持.