基于GL847的扫描图像校正

扫描仪在扫描成像过程中,诸多因素会给扫描图像带来误差和扭曲,因而必须对其加以校正。在分析扫描仪误差产生原理的基础上,详细讨论了基于GL847的扫描图像增益与偏移校正机制,提出了一种有效的扫描图像校正参数获取方法。     

一种视频序列拼接的新方法

提出了一种基于视频序列拼接的新方法。首先,利用KLT算法对视频序列中特征点进行提取和跟踪,实现关键帧粗略选取;其次,在选取的关键帧中利用SURF算法进行特征提取,利用最近邻距离比进行特征点匹配,通过RANSAC估计算法求精单映矩阵,并结合关键帧选取判定寻找最佳关键帧;最后,利用级联单映矩阵和加权融合算法实现视频序列拼接。实验验证了该方法的有效性。     

基于MSP430F149与Si4432的无线传感器网络的实现方法

介绍了基于MSP430F149与Si4432的无线传感器网络节点的硬件及软件设计方法,给出了主要的硬件电路和软件流程图,提出了一种简单易实现的低功耗自组织协议。实验证明,该无线传感器网络具有组网速度快、功耗低、抗干扰能力强、通信稳定可靠等特点,可应用于多个领域的信息探测,具有广阔的市场前景。     

一种新型的毫米波紧凑波导双工器

利用电路等效分析法结合全波建模提出具有宽带工作特性的改进型H面T型结。结合交叉耦合原理和一腔多模理论,通过S参数的多项式综合和矩阵消零的方法提取滤波器耦合矩阵。设计了新型结构的双模交叉耦合毫米波双工器。测试结果表明,相比于传统的单模直接耦合双工器,这种双工器不但尺寸更加紧凑,而且具有更好的频率选择性及隔离度等优点。     

石脑油裂解过程中一次反应选择性系数的调整方法研究

在分析石脑油裂解炉辐射段的Kumar分子反应动力学模型的基础上,提出了一种应用数据融合技术对Kumar模型一次反应选择性系数进行在线调整的方法。首先,利用进化的遗传算法,以改进的石脑油裂解模型计算出的产率与实际工况产率的误差作为目标函数,对选择性系数进行离线调整,进而建立原料性质与选择性系数相匹配的标准样本数据库。其次,利用数据融合技术中的Dempeter-Shafer证据理论建立模型,计算待估物料与标准样本数据库中样本物料的匹配度,进而对待估原料的一次反应选择性系数进行估算。研究结果表明,利用估算出的一次反应选择性系数建立的裂解工艺模型具有较高精度,将仿真结果与实际工况产率进行对比,证实了该方法的有效性和可行性。     

基于SIFT特征匹配的图像无缝拼接算法

基于尺度不变(SIFT)的特征匹配思想和像素加权平滑的图像融合思想,提出了1种鲁棒、精确的图像拼接算法,从而解决尺度、视角及光照变化较大情况下图像拼接问题。SIFT特征匹配算法利用128维向量对特征点进行描述,利用最近邻法完成2幅图像特征点的匹配。对于粗匹配产生的误匹配对,应用随机抽样一致性算法(RANSAC)进行筛选,同时估计模型参数,并借鉴加权平滑算法消除拼接图像之间的缝隙,进一步提升拼接效果。实验结果表明,该算法在继承了SIFT算法鲁棒性的同时,进一步提升了拼接精度,降低了图像亮度等差异的影响,使拼接图像自然逼真。     

基于灰色理论及BP神经网络的变压器油击穿电压预测方法

变压器油击穿电压的预测,对于变压器的故障诊断和日常维护具有重要的意义。本文提出了1种击穿电压多参数关联预测方法,即通过对变压器油日常监督数据进行灰色关联分析,挖掘与击穿电压存在强关联性的指标;利用BP网络建立击穿电压与4个强关联性指标的关系模型;采用模糊C均值聚类算法聚类原始样本,以聚类中心训练网络,以解决大样本情况引起的网络结构复杂、收敛性及泛化能力差等神经网络固有问题。仿真结果表明,预测模型精度较高,预测值与实际值的相对误差均在10%以内,能够满足实际应用要求,具有重要的应用价值。     

基于虚拟化技术的数据采集系统设计与应用

传统石化工业数据采集系统中采用了数量众多的数据采集站,往往存在投资和能耗高、资源利用率低、不易扩展等问题.本文基于虚拟化技术建立了虚拟数据采集站,通过VMWARE ESXi系统在3台服务器上封装了30余台相互独立的虚拟数据采集站,改进了原数据采集系统的“一机一系统”结构.该方案有效地将虚拟化技术的优点引入到工业生产的实时数据采集,较大地降低了系统成本和能耗,提高了系统的可靠性.系统投入运行一年来,经测算表明节约了成本、降低了单次故障处理时间,验证了该方案的有效性.     

球杆网络化控制系统的延时分析与控制方法研究

对球杆系统进行了机理建模,并针对球杆网络化控制系统网络负载小、节点少、带宽冗余等特点,从网络通信原理的角度分析了网络延时的不确定性,结合测试结果提出了具有时变性、分段保持性延时特征的网络环境的假设.在这个前提下,将网络分布时延转换为前向通道上的单一时延.在此基础上提出了球杆网络化控制系统的根据延时分段补偿控制的策略及在...     

Approaches for scaling DBSCAN algorithm to large spatial databases

The huge amount of information stored in datablases owned by coporations(e.g.retail,financial,telecom) has spurred a tremendous interest in the area of knowledge discovery and data mining.Clustering.in data mining,is a useful technique for discovering intersting data distributions and patterns in the underlying data,and has many application fields,such as statistical data analysis,pattern recognition,image processsing,and other business application,s Although researchers have been working on clustering algorithms for decades,and a lot of algorithms for clustering have been developed,there is still no efficient algorithm for clustering very large databases and high dimensional data,As an outstanding representative of clustering algorithms,DBSCAN algorithm shows good performance in spatial data clustering.However,for large spatial databases,DBSCAN requires large volume of memory supprot and could incur substatial I/O costs because it operates directly on the entrie database,In this paper,several approaches are proposed to scale DBSCAN algorithm to large spatial databases.To begin with,a fast DBSCAN algorithm is developed.which considerably speeeds up the original DBSCAN algorithm,Then a sampling based DBSCAN algorithm,a partitioning-based DBSCAN algorithm,and a parallel DBSCAN algorithm are introduced consecutively.Following that ,based on the above-proposed algorithms,a synthetic algorithm is also given,Finally,some experimental results are given to demonstrate the effectiveness and efficiency of these algorithms.