基于ACF的小波域数字图像水印算法

设计了一种基于自相关函数（ACF）的盲检测小波域数字图像水印算法,提取原图像小波分解的高频细节分量信息,并增强其相关性后,对水印信息进行调制掩盖。经过处理的掩藏了水印的高频细节分量与原图像的逼近分量再合成,得到含水印的图像。水印检测时,将含水印图像小波分解,分析其细节分量的ACF峰值,对图像的几何攻击进行估计及校正,以取得水印同步,再通过水印相关性进行检测评价,实验表明,该方法可行,具有较强的抗剪切、几何攻击性。     

基于最小生成树NSGA-2算法的改进

多目标进化算法（MOEA）的一个关键就是保持解的分布度,提出了一种用最小生成树的边的权值来表示个体聚集距离的方法,并且对NSGA-2的交叉算子和变异率进行了改进。实验结果表明,与NSGA-2相比该方法（MST-NSGA-2）在解的分布度上有较大的提高,并且有着良好的收敛性。     

一种用于AVS视频编码的块运动估计算法

通过对现有的视频图像编码中的帧间预测技术所用的运动估计算法的分析,提出了一种适用于AVS视频编码标准的快速而有效的块运动估计算法,该算法采用5个检测点的大菱形和9个检测点的小田字形双模板结构,通过调用大菱形模板和小田字形模板进行块运动匹配搜索,随着搜索的进行,大菱形模板可以被循环调用,但约定小田字形模板仅被调用一次.通过与全搜索算法和菱形搜索算法比较,这种新的块运动估计算法在保证编码性能几乎不变的情况下,编码复杂性能够得到有效的降低.     

一种基于“探测"与“开采"的多目标进化算法

针对实践中多目标优化问题(MOPs)的Pareto解集(PS)未知且比较复杂的特性,提出了一种基于"探测"(Exploration)与"开采"(Exploitation)的多目标进化算法(MOEA)——MOEA/2E。该算法在进化过程中采用"探测"与"开采"相结合的方法,用进化操作不断地探测新的搜索区域,用局部搜索充分开采优秀的解区域,并用隐最优个体保留机制保存每一代的最优个体。与目前最流行且有效的多目标进化算法NSGA-Ⅱ及SPEA-Ⅱ进行的比较实验结果表明,MOEA/2E获得的Pareto最优解集具有更好的收敛性与分布性。     

基于空间交配遗传算法的收敛性分析

基于空间交配遗传算法(GASM)采用空间交配遗传算子,有效克服早熟收敛问题,但缺少相关理论分析。文中采用马尔可夫链分析基于空间交配遗传算法的收敛性。证明采用最优个体保留机制的GASM,可收敛到全局最优解。同时证明在没有变异算子的情况下,GASM以概率1收敛到全局最优解。通过4个测试问题(其中3个为多峰值复杂问题)的对比实验,结果表明,GASM在求解多峰值复杂问题时,比采用最优个体保留机制的经典遗传算法,具有更好的收敛性。同时也与快速蜂群优化算法进行比较实验。     

光纤光栅补偿偏振模色散研究

研究了近年来光纤光栅作为偏振模色散补偿器件的成果,对基于线性和非线性啁啾光纤光栅的PMD补偿方案和补偿效果作了较全面的总结、分析和比较.     

地基增强系统(GBAS)飞行验证方法研究

为改善终端区导航服务性能,支持 GPS 差分精密进近和着陆,国际民航组织提出了地基增强系统(GBAS)。为验证地基增强系统是否满足民用航空运行标准,需要对其进行飞行验证。本文详细讨论了对 GBAS 系统的飞行验证过程,包括地面子系统和机载子系统的平台建设, 以及飞行验证方法。试验结果表明被测 GBAS 系统符合国际民航组织颁布的 GBAS 运行标准,满足一类精密进近要求。     

关于如何用角度信息引入决策者偏好的研究

在实际的多目标优化中,决策者通常只对少部分的Pareto最优解感兴趣。然而,传统多目标优化算法关注整个Pareto最优面上的解集,这不仅需要花费大量计算时间在无用解的搜索上,同时决策者也很难从众多解中选出符合自己偏好的解（特别是问题目标个数大于3时）。为此,本文提出了一种利用个体间的角度关系的偏好多目标进化算法。该方法通过重新定义个体间的支配关系和聚集距离使那些离决策者偏好区域越近的个体优先被保留下来,从而引导种群趋近于决策者的偏好区域。     

韶冶锌精馏炉二期工程的节能实践

本文对精馏炉二期工程的节能实践进行了认真总结,重点介绍了二期工程的节能新技术应用效果,节能管理措施,并对存在问题进行了认真分析,提出了进一步提高能源利用率的研究方向和措施。     

进化高维多目标优化研究综述

高维多目标优化问题(many-objective optimization problems, MaOPs)已经普遍存在于工业和科学领域中,这类问题的目标数一般超过3个且目标之间存在冲突性。进化算法作为一种基于种群的元启发式搜索方法已经被证实能够有效求解MaOPs。近二十年来,高维多目标进化算法(many-objective evolutionary algorithms, MaOEAs)研究已取得了长足发展。现对进化高维多目标优化(evolutionary many-objective optimization, EMaO)的研究进展进行全面的综述,具体包括：(1)描述了EMaO的相关理论背景;(2)分析了EMaO面临的挑战;(3)详细讨论了Ma OEAs的发展概况;(4)归纳了Ma OPs以及性能指标;(5)介绍了面对高维目标空间的可视化工具;(6)总结了Ma OEAs在一些领域的应用;(7)剖析了进化算法在解决MaOPs时所面临的问题和挑战,并给出未来研究方向的建议。