一种识别表情序列的卷积神经网络

传统的人脸表情识别方法需要人为指定特征训练方向,卷积神经网络方法虽然可以自动训练分类特征,但是存在无法识别表情序列的弊端．针对此问题,运用一种多网络融合技术,使构建的网络能够对表情序列进行识别．网络构建方法为:首先构建多个卷积神经网络,使每个网络处理一帧图片;然后将处理结果在融合层进行融合;最后通过一个分类器输出识别结果．在CK+人脸表情数据库上,分别对3帧、4帧和5帧表情序列进行实验,均获得了较高的识别率．     

产品级再使用维护设计研究

产品级再使用是废旧产品回收的第一优先级,研究了产品级再使用模式,提出产品向任务维、等级维、用户维、地域维发展或由原来用户继续使用的5种发展方式;建立了一个产品级再使用维护设计的规划模型,确定各个产品特性的维护方案,也就是目标值改进率,使所维护的产品在有限的资源约束下最大限度地满足用户需求;在模型中,用专家权重-用户概率系数法确定用户需求权重,由此配置产品特性的维护重要度系数,案例表明该模型能帮助维护人员有效地规划出最优的设计方案。     

带有时间和费用限制的网络容量扩充问题

研究了带有时间和费用双重限制下的网络容量扩充问题，即在满足时间和费用约束条件下，如何扩充网络中某些弧的容量使扩充后的网络容量尽可能的夫。通过将问题转化为求其最小生成树，给出了其求解算法。由于在扩充时两个约束条件一般有一者剩余，为了合理配置扩充资源，讨论了给定容量要求F关于时间和费用的Parclo优化解的情况并给出了有效算法，用实例来证明了算法的有效性。     

一种基于稀疏正则化的图像盲复原方法

在图像盲反卷积的过程中,最主要的难点是缺少点扩散函数的足够信息而导致的病态问题.解决此问题可以通过对原始图像和点扩散函数同时进行正则化约束.为了在图像复原过程中得到惟一、稳定的解,并保证图像恢复结果的有效性,提出了一种具有尺度不变性和稀疏性的正则化函数,并通过两组对比实验例证了利用该函数的图像盲复原算法具有良好的鲁棒性和收敛稳定性.     

用带有平滑约束的CLEAN算法恢复日像仪图像

为了解决CLEAN算法处理展源时存在的迭代抖动、收敛不稳定的弊端，借鉴最大熵算法的平滑约束概念，通过修正CLEAN算法迭代过程中的脏束，提出了带有平滑约束的CLEAN算法。通过对国家天文台拟建日像仪图像恢复仿真，验证了该改进算法在图像恢复质量和分辨率两个方面的性能均较CLEAN算法有所提高。     

基于嫁接GA的车间作业调度问题研究

针对现有遗传算法在解决大规模车间作业调度问题时存在进化速度过慢与早熟的矛盾，提出了一种改进的遗传算法一嫁接遗传算法。算法的改进之处有3点：①引入嫁接种群来加快进化速度并提高抗早熟的能力；(多引入交叉概率矩阵来进一步防止出现早熟；(9采用3种不同的交叉算子来扩大搜索范围，提高解的质量。通过经典调度例子测试，该算法在进化速度和求解精度方面同时取得了比较满意的效果，不失为一种解决遗传算法矛盾问题的新途径。     

嫁接遗传算法及其在车间作业调度问题中的应用

分析了现有遗传算法在解决车间作业调度问题时局限产生的原因 ,提出了一种既能加快进化速度 ,又能提高抗早熟能力的嫁接遗传算法 ,并将其成功应用于车间作业调度问题。最后的实例测试表明了新算法的有效性和优越性以及它在调度领域的应用可行性。     

网络最大流Pareto扩充研究

将网络容量定义为最大s-t流的流量,建立了带有时间和费用双重限制下的网络容量扩充问题模型。通过网络变换,将该问题转化为可利用成熟算法求解的线性最小费用流问题。研究了给定网络容量扩充目标要求下,求解所有关于时间和费用的Pareto优化解问题并提供了相应算法。研究内容不仅适用于各种情形的容量扩充问题,而且还可应用于网络规划。最后通过具体例子的求解,说明了算法的正确性和有效性。     

解决车间作业调度问题的嫁接遗传算法

针对现有遗传算法在解决大规模车间作业调度问题时存在收敛速度过慢与早熟的局限，基于植物学的嫁接思想，提出了一种改进的混合遗传算法－－嫁接遗传算法。算法通过引入嫁接种群和交叉概率矩阵，在明显加快收敛速度的同时,还增强了避免早熟的能力。最后通过经典的调度例子测试表明了算法的有效性和高效性。     

压缩感知框架下的太阳图像重建方法

研制对日成像天线阵的主要困难体现在有限的预算和天线数目之间的矛盾,如何减少天线数目即降低采样率是重要目标之一.鉴于压缩感知理论能够以远低于奈奎斯特采样定律要求的数据恢复出原始信号和太阳图像的稀疏性,提出了基于压缩感知框架的太阳图像重建方法.通过仿真太阳图像和实际天文图像的成像实验例证了方案的有效性,表明在天线阵天线元数目和阵型确定的情况下,该方案在对相邻点源的分辨能力、对展源的保形能力以及动态范围方面有较优的性能.