结合色彩特征和空域特征的成捆原木轮廓识别

成捆原木检尺自动化不仅能够提高生产效率, 而且是林木资源管理的需要. 通过图像处理得原木检尺直径和统计根数, 这是实现检尺自动化中的重要环节. 由于原木生产作业现场获取的成捆原木图像背景多样, 拍照时自然光照条件不一, 成捆原木轮廓识别需要较多的人工交互. 通过研究成捆原木端面彩色图像中原木的色彩特征, 利用它滤除大量的不相关背景, 留下原木色彩近似的像素点; 并结合拉普拉斯滤波器, 获得原木边缘, 实现成捆原木轮廓的分离, 从而获得原木轮廓.     

任一时间面向任务联盟结构生成算法

联盟形成是多Agent系统中的一个关键问题。目前,大多数学者都在CFG下研究联盟结构生成问题。然而,在很多实际应用中,联盟的形成往往是为了完成任务集中某些任务。但是,在CFG中并没有把联盟和任务一起考虑。显然,加入任务后,问题将变得更复杂。Dang等人已经证明,这是个NP难问题,并且要建立最坏情况下的限界K（n,m）,搜索索面向任务联盟结构集合L1、L2（除{（A,Φ）,（Φ,T）}）是必要且充分的,接着提出一个限界具有保证的任一时间算法。本文深刻分析了面向任务联盟结构间的关系,引入更小的搜索粒度（面向任务势结构）,提出一种新的任一时间搜索算法;在搜索完最小搜索之后,进一步搜索CTS集合CTS（n,m,b）对应的部分面向任务联盟结构,渐进给出越来越低的限界,大大改进了Dang等人的工作。     

Agent信念的遗忘修正方法

为了使信念修正能够满足最小改变原则,首先基于遗忘理论定义遗忘收缩算子,并且证明该算子满足必要AGM收缩假定;然后通过Levi Identity构建遗忘修正算子;最后给出遗忘修正方法和多次遗忘修正算法。实例分析表明,算法具有可行性和有效性,能够得到较满意的修正结果。     

基于内模型的知识遗忘

在多Agent系统下,根据遗忘理论和经典知识逻辑建立基于内模型的知识逻辑,并且提出相应的互模拟关系,定义出知识逻辑;讨论了知识遗忘的相关性质.     

基于改进YOLOv4-Tiny的成捆原木端面检测算法

原木贸易过程中,原木材积的精确测量与经济效益直接相关.通常,同一批木材的长度相对固定,其材积计算依赖于原木端面检测算法.但是,原木端面形状各异、数量不一,给成捆原木端面检测带来巨大的挑战.因此,为了减少原木端面图像中的漏检原木数目,使模型能够更加完整地识别图像中的所有原木,同时考虑算法模型的可移植性,提出一种基于改进YOLOv4-Tiny的成捆原木端面检测模型,通过引入压缩和激励(Squeeze and Excitation,SE)网络实现注意力机制以增强目标原木的特征,同时将YOLOv4-Tiny的解码网络中的卷积层改为深度可分离卷积(Depthwise Separable Convolution,DSC),减少了模型的参数量.实验结果表明,所提出的模型能够有效地提高原始YOLOv4-Tiny的检测性能,精准率达到了93.3％,召回率达到了95.07％,同时模型的权重大小相比较原始模型减少了29.91％.     

基于单片机实现的智能控制倒立摆

主要阐述一种利用单片机实现智能控制倒立摆的方法。其控制策略是可以不依靠精确的数学模型,而是借助于人的控制经验、直觉以及计算机技术,将定性分析和定量计算有机地结合,形成有效的控制规律,由单片机实现其智能控制律。实验结果表明,该方法对被控对象的状态和参数变化具有较强的稳定鲁棒性,是一种比较实用的实现方法。     

信息技术影响下的操作系统课程教学

操作系统是计算机科学与技术专业的核心课程,也是计算机系统中最重要的软件。以Linux为代表的开源软件和嵌入式技术的不断发展丰富了操作系统内容。文章分析技术发展和社会需求变化对操作系统课程教学的影响,并从理论教学和实践教学两方面给出一些改进方法。     

基于深度学习和层次语义模型的极化SAR分类

针对复杂场景的极化合成孔径雷达（Synthetic aperture radar,SAR）图像,堆叠自编码模型能够自动学习高层特性,有效表示城区、森林等复杂地物的结构,然而,却难以保持图像的边界和细节.为了克服该缺点,本文结合深度自编码器和极化层次语义模型（Polarimetric hierarchical semantic model,PHSM）,提出了新的无监督的极化SAR图像分类算法.该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构三大区域.对聚集区域,采用堆叠自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位.实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果.     

基于密度二分法的密度峰值聚类方法

密度峰值聚类（DPC）方法能够快速地对数据进行聚类,而不管它们的形状和包含它们的空间的维数,近年来得到广泛研究和应用。然而,当各个聚类中心的密度的差异较大,或者同一个类中包含多个密度中心时,DPC计算效果受到影响。针对于此,提出了基于密度二分法的密度峰值聚类方法。首先,求出全部数据平均密度,将数据分为高密度点和低密度点,然后,根据高密度的点的决策图识别出聚类中心后,根据是否存在可达距离的数据点对同类的聚类中心实现合并。最后,根据提出的分配策略,使高密度点和低密度点都分配到合适的聚类中心,从而实现聚类。在多个合成及实际数据集上的实验表明,该方法的聚类效果明显优于已有的DPC方法。     

资源约束下基于离散粒子群算法求解多Agent资源结盟博弈问题

针对资源结盟博弈(CRGs,Coalitional Resource Games)中自治Agent结盟问题,每个Agent占有的资源不足以满足其目标要求,Agent通过建市联盟可以相互合作.各自实现目标.求解CRGs稳定联盟及其可达目标集的问题是一个NP-完全问题,由于可能的联盟数目随着Agent数日呈指数增长,需要设计高效的搜索算法.通过引入离散粒子群算法解决CRGs中自治Agent结盟问题.