配煤掺烧最小煤质偏差模型及煤场存放优化

定义了混煤和锅炉目标煤的煤质偏差,给出以煤质偏差作为目标函数的掺配优化模型,通过调整某个成分的期望误差,可单独调节该成分与目标煤的接近程度;通过对模型约束条件设定,可限制低灰熔点煤的掺配份额,控制炉膛结焦,或提高采购量大的单煤的掺配比例。基于最小煤质偏差模型,针对某670 MW超临界压力直流锅炉进行掺配优化模拟,提出煤场存放的优化概念和方法。结果表明:该模型能够从复杂的单煤煤源中找到最接近目标煤质的掺配方案,优化后入炉煤质稳定,且接近目标煤质。     

Weibull型无故障数据下综合Bayes置信可靠性评估模型

在无故障数据情况下,将失效概率结合Bayes理论引入置信限,分析了修正后的数据Weibull分布中单侧置信可靠性。其方法是:首先基于Weibull分布采用配分布曲线法进行分析,构造出多层先验分布给出失效概率的综合EBayes估计,结合最小二乘法拟合得到分布参数的估计值;根据参数的统计性质构造置信区间的枢轴量,同时,给出Weibull分布特征参数的区间估计和可靠度置信下限。以经典轴承试验为例,将此方法与其它方法计算结果进行对比,证明了该方法对置信可靠性评估的合理性和可行性。     

基于视觉颜色感知——光学相似的图像去雾方法

针对雾霾环境影响致使户外获取的图像质量严重下降问题，提出了一种基于视觉颜色感知—光学相似的图像去雾方法。充分利用人眼感知颜色的视觉机理，结合图像的相似性原理，构造了光学相似度函数，建立了新的基于视觉颜色感知—光学相似的图像去雾模型并设计相关算法，进而进行仿真验证。仿真实验结果表明，提出的方法在对有雾图像清晰化处理过程中效果明显，并与现有的图像去雾方法在主观视觉和客观量化方面进行图像去雾效果对比，进一步表明提出的方法在清晰化含雾图像处理中取得了较好的效果。     

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络，利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动，其次通过反卷积层将图像特征上采样到目标图像大小，再利用密集残差学习高维特征，最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验，并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比，重建出的图像在整体清晰度和边缘锐度方面更好，另外峰值信噪比（PSNR）平均分别提高了2.69?dB、1.68?dB、0.74?dB和0.61?dB。实验结果表明，该方法能够获取更丰富的细节信息，得到更好的视觉效果，达到了图像超分辨率的增强任务。     

医学图像可视化的视觉优化方法

由于受主观意识和经验等因素的影响,医学图像可视化中传递函数的选择和设置会直接影响医学图像可视化效果.为此,提出一种基于视觉优化的医学图像可视化方法.针对三维医学图像绘制,采用基于GPU加速的光线投射体绘制半自动化传递函数,解决了三维图像全局和焦点上下文的优化显示问题;针对二维图像呈现,借助直方图均衡化、图像融合和全变分模型3种图像增强算法,解决了二维医学图像噪声干扰、对比度模糊和边缘丢失等问题.通过与传统方法的实验对比,三维医学图像在绘制时间和绘制效果方面均有改善;引入图像质量评估指标峰值信噪比和平均结构相似性,验证了全变分模型在二维医学图像增强中的有效性.结合视觉优化方法设计开发了医学图像可视化交互系统,包含对医学数据的三维可视化和交互分析功能,有效地拓展算法的应用性.