基于蚁群算法的多维有约束函数优化研究*

利用蚁群算法的基本原理,将多维有约束的优化问题通过罚惩因子方式转换为统一的多变量目标函数形式,并将所有独立变量分成不同的等份区域,以蚂蚁走过每一变量的一个区域并访问完所有变量所构成的构造图作为优化问题的可行解,获得这一可行解的过程即为蚁群算法的粗搜索;再将粗搜索所获得的解执行遗传交叉及变异操作,从而构建另一种精搜索蚁群算法以获得更精确的全局优化解。给出了基于蚁群算法的多维有约束函数优化的具体算法。通过其他三种优化方法及本文方法对行星轮系优化设计的对比求解,验证了该优化方法的高效性及准确性。     

基于微分进化遗传算法的双目摄像机标定

为提高遗传算法全局寻优的性能,将标准遗传算法改进并运用到摄像机标定,提出一种新的双目摄像机标定方法。通过改进编码方法,自适应调整变量搜索区间;引入微分进化进行交叉和变异,使群体呈多元化发展。该方法与现有的非线性标定方法相比,标定精度更高,可有效解决传统优化方法难以解决的多参数、非线性的复杂函数优化问题。实验结果表明,该方法具有较强的泛化能力,鲁棒性好。     

中文网页分类中的网页特征提取方法

为了网页信息的有效组织和检索,针对网页中的超文本结构特征,在研究网页间的超链接、超文本标记对信息提取的作用的基础上,阐述了一种基于“超文本标记加权”和“超链接森林”的因特网信息提取方法,并与传统方法进行了对比。实验结果表明,该方法用于网页的自动分类具有较好的效果。     

基于蚁群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤。为了有效解决传统摄像机标定算法中的多参数和计算费时费力等问题,提高摄像机标定的精度和速度,首次将蚁群遗传算法应用于摄像机标定中。方法初期采用遗传算法过程生成信息素分布,后期利用蚁群算法正反馈求精确解,最后用优化后的BP神经网络来进行摄像机标定,充分发挥遗传算法的全局搜索能力和蚁群算法的正反馈收敛优势。     

基于知识的神经网络产生式规则的获取方法研究

将连续数据离散化并将已有知识规则的依赖度作为神经网络的初始权值,构建新的网络结构并对其动态训练,给出其具体网络训练算法.从训练后的网络权值中利用正确的分类及该网络结构具有的性质,从而给出其具体的规则抽取算法,并将抽取的具有冗余性的产生式规则利用粗集理论进一步对其精化处理,最后得出最简化的产生式知识规则.充分结合神经网络及粗集理论的优点,探索两者的有机结合无疑对智能信息处理系统的研究具有重要的现实意义.     

双目立体视觉中的图像匹配方法研究

对目前匹配能力很强的基于SIFT特征的图像匹配方法进行研究,并在该方法中加入极线约束,有效去除了大部分虚假匹配。提出以特征匹配与区域匹配相结合、边缘特征与角点特征相结合的立体匹配方法。实验证明该方法不仅能够有效地缩短匹配时间,还能达到较高的匹配精度。     

Petri网在现代设计中的应用

Petri网作为一种描述并行、异步、分布式和随机性等特征功能的建模工具,近年来在计算机、自动化及制造等领域得到广泛的应用.本文探讨了Petri网在现代设计中的应用,着重阐述了petri网在产品设计过程中的知识表示、知识推理、概念设计、并行设计和协同设计等方面的具体应用.最后,对petri网今后在产品设计中的发展方向提出了展望.     

基于灰色系统理论的多特征相关反馈图像检索

探讨了灰色系统理论在相关反馈图像检索中的应用，提出了一种基于灰色系统理论的相关反馈图像检索算法，动态地更新查询向量，从而使图像检索结果与人的主观感知更加接近，具有自适应性。实验结果表明，文中的方法是很有效的。     

高阶对称差分解析能量算子在微弱轴承故障信号提取中的应用

针对对称差分解析能量算子在高幅值振动干扰频率影响下性能较差的不足,在对称差分解析能量算子的基础上提出了一种改进的解析能量算子.该能量算子改用高阶对称差分序列替代对称差分序列以达到提高信号干扰比的目的,从而提高在高幅值振动干扰频率存在下提取故障特征的能力.此外,为了防止能量出现负值,该改进的能量算子采用了绝对值对其能量表达式进行加权处理.通过模拟实验证明了该方法在抗噪和抗振动干扰方面的优越性,及其它的非负特性.最后将其应用于真实轴承故障数据,发现该方法可以在恶劣工况下提取出故障特征频率.     

基于PSO和LSSVM回归的摄像机标定

针对摄像机非线性显式标定时很难精确地建立其复杂的数学模型,本文提出了基于粒子群优化算法(PSO)和最小二乘支持向量机(LSSVM)回归的摄像机非线性隐式标定方法.该方法采用最小二乘回归机精确逼近图像坐标与世界坐标之间复杂的非线性成像关系;利用PSO算法搜索LSSVM回归模型的最优参数,提高LSSVM回归的收敛速度和泛化能力.通过运用标准BP神经网络、遗传算法、LSSVM及粒子群优化的LSSVM回归方法对圆阵列图案标定模板进行标定,实验结果表明:基于PSO和LSSVM回归的标定方法具有标定精度高、收敛速度快、泛化能力强等优点.