结合MNF变换和Canny算子的遥感影像变化检测

针对大面积区域的多时相遥感影像变化检测的需求，提出了一种基于最小噪声分离（MNF）的Canny边缘检测提取影像变化信息的检测方法。对多时相影像采用多种变换组合成具有多维波段信息的影像，采用最小噪声分离法分离噪声并得到单波段差异图，通过Canny边缘检测法计算梯度幅值，采用高低双阈值法细化边缘，从而提取差异图变化边缘，有效突出了变化信息。以1995年和2003年加扎勒河的两期遥感影像为例，利用两时相影像进行土地覆被变化检测。实验结果表明，该方法适用于监测大面积区域内地物的突变情况。在数据基础上进行最小噪声分离可以有效解决传统Canny边缘检测提取边缘时造成的伪边缘现象，同时采用高低双阈值法有效去除伪边缘点，从而获得更加精确、直观的变化检测效果，在自然地理变化监测、地理国情灾害监测等有很好的应用价值。     

Improved CCM for variable causality detection in complex systems

Convergent cross-mapping (CCM), has been largely implemented for variable causality detection in complex systems like chemical process. However, this method is susceptible to problems regarding parameter selection and threshold determination. The synchronization phenomenon and the Moran effect, which are two interference terms in causality detection, must also be addressed. Therefore, an improved CCM is proposed to overcome these limitations in this paper. In the improved CCM, the optimal embedding dimension is selected based on the pseudo-nearest-neighbor theory. Also, Monte Carlo simulation is adopted to evaluate the convergence threshold. Next, by using the defined time delay detection function, the synchronization phenomenon and the Moran effect are identified to reduce the interference terms and further improve the accuracy. Finally, the improved CCM method is applied in a numerical example and a hydrocracking process to demonstrate its feasibility and superior performance than other methods.     

一种基于压缩感知的运动目标检测技术

运动目标检测是计算机视觉、图像处理等相关领域的研究热点，其核心就是对视频图像中的每一帧图像进行相应的研究和处理。本文主要研究思路是从压缩感知技术采样信号的角度出发，将每一帧的二维图像压缩采样成具有少量信息的一维信号，再通过信号重构用少量数据量将图像重构出来，最后通过目标检测技术对每一帧的图像进行运动目标提取。仿真实验表明该方法是可行和有效的，同时可以大大减少目标检测中所记录的数据量，解决海量数据的存储与传输问题。     

基于边图的线性流重叠社区发现算法

重叠网络的社区发现是复杂网络研究中的重要问题。为了提高网络中重叠社区发现的时间效率，提出一种基于边图的线性流重叠社区发现算法LBSA。算法首先对于边图网络中的边进行随机的依次处理，完成节点的初步社区划分，再将其中重叠小社区合并到相似度最大的其他大社区中得到最终的社区。通过以上步骤，算法能够以接近线性的时间复杂度得到网络的重叠结构。从最终的实验结果来看，与其他算法相比，该算法能够在更短的时间有质量地发现网络中的重叠社区。     

具有双通道数据包丢失的Delta算子系统故障检测

研究同时存在双通道数据包丢失和时变时延的Delta算子网络控制系统（NCSs）故障检测问题.假定数据包丢失发生在控制器到执行器、传感器至控制器的数据传输过程中，并且利用两个相互独立的伯努利随机变量描述是否发生丢包.将上述的NCSs建模为网络切换系统，提出任意切换律下故障检测滤波器的设计方法.利用线性矩阵不等式（LMIs）方法、Lyapunov-Krasovskii泛函和平均驻留时间等得出所考虑的网络切换系统具备指数均方稳定性的充分条件.证明了所用的网络切换系统满足H_∞性能，并推导出了滤波器参数的显式表达.数值仿真结果验证了所提方法的有效性.     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

基于机器视觉的航空铆钉尺寸检测技术

航空铆钉的尺寸偏差会增加航空事故发生的可能性。为了实现航空铆钉尺寸检测的高精度与智能化,提出一种基于机器视觉的航空铆钉尺寸检测方法。通过边缘检测算法对铆钉进行自动识别与检测,可减少航空铆钉尺寸的误差。基于航空铆钉产品规范,分析得出各项尺寸参数要求与事件流程,使用OpenCV作为开发平台,采用阈值分割算法与分水岭算法进行图像分割;同时,通过平滑处理、形态学、轮廓提取算法完成图像处理。实测结果表明,在±0.005mm精度下,铆钉尺寸检测结果与实际值的吻合度达到90%以上。     

SCMA场景下的极化码编解码方案改进研究

极化码是目前唯一一种被证明可达到信道容量的编码方式,稀疏码分多址接入(Sparse Code Division Multiple Access,SCMA)可以提高频谱资源的利用率和接入系统的用户接入数量。为了提升SCMA与极化码的联合系统的误码率性能和译码时延,使联合系统的应用越来越广泛,提出了2种降低译码复杂度的方式:简化的左信息更新方式和剪枝译码算法。简化的左信息更新方式对于N=256,N=1024的极化码分别能降低37.6%和44.6%的存储资源占用数;剪枝译码算法在码率为0.5时能降低50%左右的计算复杂度。基于简化的SCAN算法改进了联合检测译码算法,在接收机采用外循环迭代的结构,引入了阻尼机制,选取最优的阻尼方式和最优阻尼值。仿真分析了所提联合检测译码算法与原有联合检测译码算法的误码率性能差异,外迭代接收机性能与内外双循环迭代的接收机性能相同,采用阻尼机制联合接收机的性能比无阻尼接收机的性能高0.8 dB左右,SJIDD的误帧率性能比保留宽度为32的SCLJDD的性能低0.7 dB左右,但能使接收机处理时延降至原来的1/4~1/8。     

Experience-Based Cognition for Driving Behavioral Fingerprint Extraction

Abstract

With the rapid progress of information technologies, cars have been made increasingly intelligent. This allows cars to act as cognitive agents, i.e., to acquire knowledge and understanding of the driving habits and behavioral characteristics of drivers (i.e., driving behavioral fingerprint) through experience. Such knowledge can be then reused to facilitate the interaction between a car and its driver, and to develop better and safer car controls. In this paper, we propose a novel approach to extract the driver’s driving behavioral fingerprints based on our conceptual framework Experience-Oriented Intelligent Things (EOIT). EOIT is a learning system that has the potential to enable Internet of Cognitive Things (IoCT) where knowledge can be extracted from experience, stored, evolved, shared, and reused aiming for cognition and thus intelligent functionality of things. By catching driving data, this approach helps cars to collect the driver’s pedal and steering operations and store them as experience; eventually, it uses obtained experience for the driver’s driving behavioral fingerprint extraction. The initial experimental implementation is presented in the paper to demonstrate our idea, and the test results show that it outperforms the Deep Learning approaches (i.e., deep fully connected neural networks and recurrent neural networks/Long Short-Term Memory networks).