基于免疫原理的控制器参数整定方法

基于免疫原理,建立了一个基于免疫机制进行控制器参数整定的数学模型。给出了参数整定问题中抗原、抗体和亲和力的定义,对基于免疫原理的控制器参数整定过程进行了详细的描述。最后以PID的参数整定为例,控制一个高阶系统,大延迟系统和非最小相位系统。并与Z-N,MOMI等算法的整定结果进行了对比实验,结果表明该方法对控制器的参数整定是有效的。     

基于机器视觉的装配模式识别

复杂工件最主要的装配缺陷是漏装。随着现代生产技术的发展，需要检测的工件越来越复杂，需要判别的CT图像的数量也越来越大。依靠人工进行评判的方法已很难适应现代化生产的需要。文中提出一种装配缺陷的自动识别方法。首先，用相位相关法实现工件相同断面CT图像的配准，然后采用修正的Hausdorff距离判断待检测图像中可能存在模板图像的位置。最后利用模板图像在原始图像中的位置信息进一步判断装配是否正确。     

机器视觉在大型工件自动探伤检测中的应用

大型金属工件探伤一般用无损检测法，技术难度高、工程量大，往往难以获得精度的测量准确值。针对机器视觉产品将被摄取目标转换图像信号后，多数都还依赖于手工进行处理问题，文章提出了一种基于边缘撮的工业CT（断层）图像几何尺寸的自动测量方法。该方法采用Canny算子提取图像边缘信息，并在图像边缘上实现对大型工件CT图像的内部结构尺寸和缺陷尺寸的自动测量。该方法已成功地应用于工业CT图象处理软件中，实际应用表明，它具有较高的精确度和重复性。     

基于机器视觉的图像识别技术应用

在现代自动化生产过程中,机器视觉系统已广泛应用于工况监视、成品检验和质量控制等领域。机器视觉系统的特点是可以提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉;同时在大批量工业生产过程中,用人工视觉检查产品质量效率低且精度不高,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度,是实现计算机集成制造的基础技术。随着机器视觉技术自身的成熟和发展,可以预计它将在现代及未来制造企业中得到越来越广泛的应用。机器视觉工业检测系统机器视觉…     

基于免疫的动态垃圾邮件过滤研究

本文基于生物免疫系统防御机制,探讨了将人工免疫原理应用于垃圾邮件过滤系统(IDSFS),通过动态生成垃圾邮件疫苗,提高系统的检出率.另外,针对传统邮件过滤系统存在的错误肯定率、错误否定率等不足及用户对邮件个性化处理的要求,引入用户反馈机制,使得系统精确率、正确率进一步提高.实验结果表明,该系统具有较强的自学习、自适应能力.     

液压挖掘机系统控制参数的免疫优化整定方法(英文)

液压系统是工程机械的神经系统,变量泵是液压系统的中枢神经,其工作好坏直接影响工程机械的性能和施工效率.针对步进电机控制机械转换机构可满足液压挖掘机控制系统中泵、阀、缸三者的良好匹配以实现无级变速,但是并未解决最佳动力性和最佳燃油经济性控制的问题,提出了一种基于免疫优化控制的参数整定方法.该方法将节能目标函数作为约束条件直接引入控制器参数的寻优过程,借助免疫优化算法整定控制器参数,所整定的参数既可保证控制器良好的动静态控制品质,同时也兼顾了节能的最优性.文中对多种不同算法的整定参数作了仿真对比实验研究,系统响应曲线显示基于免疫优化的整定参数有更好的控制效果.仿真结果表明,所提出的控制器参数免疫优化整定方法用于液压挖掘机控制系统参数整定是合理与可行的.     

一种剥皮算法在工业CT图像分割中的应用

图像分割是工业CT三维重构的重要步骤之一,目前还没有一种有效分割各类图像的通用算法。针对同心圆层状结构工业CT图像的特点,提出一种剥皮图像分割算法。该算法首先检测图像的边缘,利用边界跟踪方法求出层边界,再对层边界图像进行剥皮处理,然后用所得到的模型去对原始图像掩模,最后得到的图像即为最终分割图像。该方法对层状结构的工业CT图像具有较好的分割效果。     

基于特征贡献度的安卓恶意应用检测

为提高Android恶意软件检测准确率,提出一种基于特征贡献度的特征选择算法。针对现有Android应用数据集特征的分布特点,通过计算特征的类内以及类间贡献度,设定阈值筛选出贡献度高的特征数据,用于恶意应用检测分类。实验结果表明,所提算法能有效且可靠地检测恶意应用,其准确率和召回率十分接近,适用于恶意应用检测;与传统特征选择算法相比,该算法可以在较少特征数量的情况下达到理想的检测效果。     

工业CT图像的目标匹配定位方法

工业CT图像的目标匹配定位采用Hausdorff距离作为相似性度量,定义两个点集上的最大/小距离.以Hausdorff CANNY边缘检测算子在求得边缘位置信息同时获得边缘像素点方向信息.并通过CANNY算子提取边缘信息作为匹配特征,利用Hausdorff距离模板匹配,在距离变换空间内实现目标匹配定位.     

基于Adam-BNDNN的网络入侵检测模型

针对传统入侵检测算法检测精度低、误报率高等问题,提出了一种融合批量规范化和深度神经网络的网络入侵检测模型。该模型首先在深度神经网络隐藏层添加批量规范化层,优化隐藏层的输出结果,然后采用Adam自适应梯度下降优化算法对BNDNN参数进行自动优化,提高模型检测能力。并使用NSL-KDD数据集进行仿真实验,结果表明该模型的检测效果优于SNN、KNN、DNN等检测方法;整体检测率可达99.41%,整体误报率为0.59%,证明了模型的可行性。