用于发酵生产中菌体浓度在线测量的超声波仪

为解决目前发酵生产中菌体质量浓度等关键参数无法在线测量，从而给发酵生产的精确控制带来的巨大困难，从超声波的原理和发酵生产的实际要求出发，设计 和制作了基于超声波传感器的测量系统，并将其应用于实际生产，取得了很好的效果。     

在线测量啤酒生产中酵母浓度的超声波传感器的研究

为解决目前发酵生产中蓖体浓度等关键参数无法在线测量，从而给发酵生产的精确控制带来的巨大困难，根据超声学原理及发酵生产中实际应用的要求，设计制作了基本超声波传感器的测量系统，重点研究了碑酒生产中酵母细胞浓度与超声波传播时间以及温度之间的对应关系，并对测量中产生影响的各个因素分别加以讨论并提出解决方案，为超声波传感器在实际生产条件下的应用奠定了一定的基础。     

轧钢机清洗液的超声波在线测量和智能控制

根据宝钢CM12机组正硅酸钠清洗系统的需要，设计了超声波浓度测量系统和模糊/PID复合控制器，进行了系统分析、理论建模和仿真实验，该系统由于溶液重复使用，具有自身特有的大惯性和大滞后，且有一 定的时变性，实际应用表明这种测试和控制方法效果良好。     

轧钢机清洗液的超声波在线测量和智能控制

根据宝钢CM 12机组正硅酸钠清洗系统的需要 ,设计了超声波浓度测量系统和模糊 /PID复合控制器。进行了系统分析、理论建模和仿真实验。该系统由于溶液重复使用 ,具有自身特有的大惯性和大滞后 ,且有一定的时变性。实际应用表明这种测试和控制方法效果良好。     

一种软测量模型在线校正方法及应用

提出了一种软测量模型在线校正方法,该方法把变量之间相关性强弱的思想引入软测量模型校正中,根据变量相关性的强弱程度和性质来确定系数修正量的大小,提高了模型测量的实时性和灵活性,并将其成功应用于电石生产比电阻的软测量中.     

基于BP神经网络的浓度传感器非线性校正

提出基于BP神经网络的浓度传感器非线性误差校正方法。文中详细给出了BP神经网络算法原理及训练方案。当替换传感器或环境条件发生变化时,只要获取一组输入输出样本对,便可重新训练网络,获得新的输入输出样本关系,从而实现传感器非线性校正和动态标定,提高传感器的互换性,有实际应用价值。     

基于局部最大熵的辐射校正方法

介绍了２种有较强针对性的图象辐射校正方法。通过引入局部最大熵约束,及对最大熵恢复公式的简化,导出了一种简便易行的图象辐射校正方法。该方法无须知道图象的成象模型和转移函数,从图象的局部统计特性出发,通过少量的运算,即可实现对辐射失真图象的恢复。因而具有较普遍的适用性。该方法已经硬化并在实际运用中取得了较好的效果。     

基于在线校正的无线传感器网络定位算法

准确度和精确度是无线传感器网络定位系统重要的指标。分析现有的校正技术,在基于超声波传感器和无线射频模块的到达时间差（TDOA）测距技术和多边测量定位算法的基础上,结合校正技术,提出一种基于在线校正的定位算法。改进的算法针对传感器网络在实际应用中的不均匀性布撒,充分利用密集布撒下节点定位的冗余信息,以提高密集型网络的定位精度,从而提高整个网络的定位性能。实验表明,改进的定位算法有效地减小了网络的定位误差。     

基于局部特性的分割校正模型改进

基于局部特性的分割校正模型能够在图像分割的同时实现对非均匀场的校正,从而对灰度不均匀图像有较好的分割效果,然而,该模型具有局部特性,且采用多相分割,使得活动轮廓曲线对初始位置较为敏感,且分割速度较慢。针对该不足,通过引入自适应距离保持水平集算法,采用分割校正模型与自适应距离保持水平集相结合的方法,提出一种新的快速分割算法。实验结果表明,该算法可摆脱初始轮廓的限制,避免在分割灰度不均匀图像时边缘泄漏和分割不足现象,并且具有分割快速的特点。     

乳化液浓度超声波在线检测技术的研究

介绍了一种基于超声波技术的乳化液浓度在线检测技术,通过检测超声波的传播速度和乳化液的温度,并利用乳化液浓度、温度和超声波声速三者之间的曲线拟合关系,来实现乳化液浓度的在线连续监测,为实现乳化液的自动配比奠定了坚实的基础。     

一种基于局部密度的分布式聚类挖掘算法

分布式聚类挖掘技术是解决数据集分布环境下聚类挖掘问题的有效方法.针对数据水平分布情况,在已有分布式密度聚类算法DBDC(density based distributed clustering)的基础上,引入局部密度聚类和密度吸引子等概念,提出一种基于局部密度的分布式聚类算法——LDBDC(local density based distributed clustering).算法适用于含噪声数据和数据分布异常情况,对高雏数据有着良好的适应性.理论分析和实验结果表明,LDBDC算法在聚类质量和算法效率方面优于已有的DBDC算法和SDBDC(scalable dellsity-based distributed clustering)算法.算法是有效、可行的.     

On Velocity‐Based Local Model Networks For Nonlinear Identification

This paper exposes the strengths and weaknesses of the recently proposed velocity‐based local model (LM) network. The global dynamics of the velocity‐based blended representation are directly related to the dynamics of the underlying local models, an important property in the design of local controller networks. Furthermore, the sub‐models are continuous‐time and linear providing continuity with established linear theory and methods. This is not true for the conventional LM framework, where the global dynamics are only weakly related to the affine sub‐models. In this paper, a velocity‐based multiple model network is identified for a highly nonlinear dynamical system. The results show excellent dynamical modelling performances, highlighting the value of the velocity‐based approach for the design and analysis of LM based control. Three important practical issues are also addressed. These relate to the blending of the velocity‐based local models, the use of normalised Gaussian basis functions and the requirement of an input derivative.     

基于多层局部回归神经网络的多变量非线性系统预测控制

以罐式搅拌反应器为例,针对复杂多变量系统的强耦合性、非线性、时变性等问题,研究了多变量非线性系统的预测控制及改善控制性能的方法,采用多层局部回归神经网络离线建立预测模型,以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿,以要线校正用于预测控制,通过对性能指标中的偏差项负指数加权,进一步改善预测控制性能,住址结果表明了控制算法的有效性。     

基于贝叶斯网络的学生模型在测试系统的应用研究

在网络课程及虚拟课堂中,在线测试是一个重要组成部分。本文对贝叶斯网络及其概率推理进行了简述,提出了基于贝叶斯网络的学生模型,并将其应用于自适应在线测试系统中。该系统不仅能够因人施测,而且具有预测能力,同时还可以排除学生猜对试题答案的非真实能力。     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题,在线性和非线性协整理论涵义的基础上,提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究,并给出该模型的建模方法．对沪深股市进行实证研究,与线性向量自回归模型进行比较．研究证明,小波神经网络所建立的非线性误差校正模型有较好的预测效果,能够有效地预测非线性经济系统．     

基于自适应局部统计量的CV模型

针对传统CV模型的分割结果易受初始曲线位置影响的问题,将传统模型与测地线模型有机结合,提出一种基于自适应局部统计量的全局优化CV模型,通过极小化能量泛函对图像进行分割,避免了收敛于局部极小的问题,采用边缘函数进行边界检测,能够较好地分割对比度较低的边界。仿真实验结果表明,与传统模型相比,该CV模型具有更高的分割精度。     

基于局部密度和相似度的自适应SNN算法

在近邻算法中,近邻样本和目标样本之间的绝对距离和相似性为目标样本类别的判断提供重要的决策依据,K值的大小也会直接决定了近邻算法的预测效果.然而,SNN算法在预测过程中,使用固定的经验K值来预测不同局部密度的目标样本,具有一定的片面性.因此,为实现SNN算法中K值的合理调节,提高算法的预测准确度和稳定性,提出一种基于局部...     

移动传感网中基于密度和距离的概率广播算法

广播是移动传感器网络(mobile wireless sensor networks)中最基本的信息传播方式,但现有的广播算法在广播时需要大量中间转发节点,造成大量消息冗余转发,从而导致能量浪费.因此提出一种基于节点密度和距离的概率(broadcasting algorithm named node density and distance-based probability, NDDP)广播算法.该算法平均转发率为5S/(Nπr2),这里S为网络区域面积,N为网络节点总数,r为通信半径.理论分析得出该算法的平均广播接收率超过95%.ns-2模拟结果表明平均广播接收率达到92%以上,并且网络节点密度越大算法的转发率越低,越节能.模拟实验结果表明NDDP算法无论在稳定性方面还是在节能性方面均优于Smite和Sidewinder中的广播算法.     

基于HMM的联机汉字识别系统及其改进的训练方法

本文描述了一个基于HMM模型的联机汉字识别系统的设计思想与实现方法。系统以联机汉字的笔段序列作为观察序列,采用带有多跨越的模型结构消除自由书写汉字笔段序列的冗余与丢失问题。HMM模型的训练是本系统设计的一个重要问题,针对复杂HMM模型参数训练容易收敛于局部最小的情况,本文结合联机汉字识别的特点,提出了一种利用“引导模型”进行训练的改进方法,避免了训练过程收敛于局部最小点的发生。经过大量样本的训练,本系统对规范书写汉字和自由书写汉字均取得了比较令人满意的结果。     

带动力模型自由飞试验测试系统设计与实现

分析了带动力模型自由飞试验测试系统设计要求及关键点,介绍了测试系统传感器的选型和基于片上系统的采集器设计方法,阐述了测试系统原理及软硬件实现,并以地面试验数据为例进行了数据的预处理和分析.试验验证表明,设计的测试系统满足了试验的测试要求,对同类测试系统具有参考价值.