基于模糊域的图像增强改进算法研究

基于模糊集理论的图像增强算法会丢掉部分的边缘细节,针对这一不足,该文改进了算法,最大程度上保留了低灰度值部分。首先构建一个新的隶属函数,实现了图像空域到模糊域之间的转换;在模糊域中采用非线性变换和递归调用对图像进行了增强,最后再通过逆模糊化转换到空域,得到新的灰度值。仿真结果表明,改进的图像增强算法克服了丢失部分细节的不足,提高了图像质量。     

聚偏氟乙烯纳滤膜制备及其处理模拟活性黑废水

为研制适用于染料废水处理的新型纳滤膜,以自制的PVDF膜为基膜,通过溶胶-凝胶方法在膜表面涂覆TiO₂纳米颗粒层,然后再涂敷多巴胺/PEI层,以制备PVDF纳滤膜。考察了制备条件对膜的表面特性及过滤性能的影响。结果表明,TiO₂和多巴胺/PEI可以顺序的涂覆在PVDF膜表面。表面涂覆后,膜的通量急剧下降,截留率大幅度上升。随着涂覆时间的增加,膜的亲水性增加,膜表面孔径增大,膜的通量回升,截留率减小。涂覆时间为6、12、24 h时,PVDF膜对PEG2000的截留率分别为92%、75%、56%,对活性黑5(RB5)截留率分别为83%、62%和44%。表明涂覆时间为6 h时,PVDF膜达到纳滤膜级别,此时膜对PEG2000、RB5溶液的稳定通量分别为210、105 L/(m²·h)。     

基于动态相似度的错误定位优先排序方法

在软件测试中,错误定位优先排序通过优化测试用例的执行次序来提高错误定位的效果,并将检测错误和定位错误相结合,以降低测试成本。 提出了一种基于动态相似度的错误定位优先排序方法,在相似度计算中,引入了语句怀疑度,提高了相似度计算的有效性以及错误定位的准确度;同时分析并验证了不同测试用例优先排序算法对后续定位错误的影响。在6个C基准程序上,针对3种广泛采用的测试用例优先排序算法和2种错误定位技术进行了实验,结果表明提出的方法能提高错误定位的准确度和效率。     

SBS增韧石蜡/增塑剂共混相容性的分子动力学模拟

增韧石蜡应用于高聚物粘结炸药(PBX)可提高其力学性能,设计了四种增韧石蜡与增塑剂的配方,建立了增韧石蜡(Wax)与邻苯二甲酸二丁酯(DBP)、癸二酸二辛酯(DOS)、硝化甘油(NG)和乙酰基柠檬酸三丁酯(ATBC)的共混模型,采用分子动力学方法模拟研究了增韧石蜡与增塑剂的相容性以及共混体系中分子间相互作用的本质。结果表明,通过溶度参数、可混合性模拟、结合能以及分子间径向分布函数四个判据可综合评价苯乙烯-丁二烯-苯乙烯嵌段共聚物(SBS)增韧石蜡与增塑剂的相容性。其中溶度参数模拟值与实验值的相对误差在3%以内;可混合性模拟可以快速预判两种物质之间的相容性;ATBC与SBS增韧石蜡的结合能最大,为2.7 k J·g~(-1);SBS增韧石蜡与增塑剂之间相互作用的本质是范德华力和静电力,以范德华力为主。3种增塑剂与SBS增韧石蜡的相容性优劣次序为ATBCDOSDBP,NG与SBS增韧石蜡不相容。     

医学图像模糊增强方法研究

针对传统医学图像增强效果不理想、边界模糊不清、不利于病情诊断等问题,提出了一种改进的医学图像增强算法。首先创建一个适合的隶属度函数实现图像由时域到变换域的变换,通过迭代方法加强变换域的细节成分,最后通过模糊逆变换得到增强后的时域图像。采用的适合隶属度函数,增强了图像效果,使图像细节更清晰。实验表明,采用模糊方法比传统的几种方法可以更有效抑制噪声,提取医学图像中的有用信息,更加有利于病情的诊断。     

智能主轴高速铣削颤振的模糊控制方法研究

在航空叶片、整体叶盘等零件高速高效加工过程中,切削过程阻尼作用的减弱,致使颤振相比低速切削时更容易发生,严重影响了加工精度和效率的提高.而颤振监控作为智能主轴的主要功能之一,是解决高速高效加工过程中颤振难题的一种有效途径.首先,在主轴结构上集成压电作动器及位移传感器等,搭建颤振主动控制系统,并在此基础上,建立主动控制系统模型.然后,分析主轴系统动态特性,据此设计模糊控制规则,开发模糊控制器.接着,通过力锤激励试验及扫频试验辨识主轴动态系统模型,进行铣削加工及颤振控制仿真分析.最后,开展铣削颤振主动控制试验.试验结果表明,提出的颤振模糊控制方法能够有效控制铣削颤振,提升铣削加工的稳定性.     

DCVAE与DPC融合的网络入侵检测模型研究

入侵检测是主动防御网络中攻击行为的技术,以往入侵检测模型因正常网络流量与未知攻击内在特征区分度不足,导致对未知攻击识别率不够高,本文设计基于判别条件变分自编码器与密度峰值聚类算法的入侵检测模型(DCVAE-DPC).利用判别条件变分自编码器能够生成指定类别样本的能力,学习正常网络流量特征的隐空间表示并计算其重建误差,增加其与未知攻击间的特征区分度,并使用密度峰值聚类算法求出正常网络流量重建误差的分布,提高未知攻击识别率.实验结果表明,在NSL-KDD数据集中与当前流行的入侵检测模型相比,模型的分类准确率可以达到97.08%,具有更高的未知攻击检测能力,面对当前复杂网络环境,有更强的入侵检测性能.