微粒群优化的Canny边缘检测方法

通过对Canny算法进行改进,提出了一种基于量子行为的微粒群优化算法的 边缘提取算法.改进算法对噪声抑制效果明显,能够删除伪边缘,得到精确的边缘.实验结果表明,该算法在保证实时性的同时,具有很好的检测精度和准确度.     

智能微粒群算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术，具有典型的群体智能的特性。本文首先介绍微粒群算法，然后在对算法的关键参数进行分析的基础上，从算法的离散二进制表示、参数选择与设计、群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述。     

复合泊松分布参数估计的EM算法

复合泊松分布是非寿险精算中的重要理赔模型,利用正规的统计方法(如极大似然估计)估计模型的参数往往比较困难,而矩估计的精度在大样本下才能有令人满意的结果.本文应用EM算法研究了复合泊松分布的参数估计问题,给出了参数满足的方程,并给出了参数的矩估结果,对两种参数估计结果,通过计算机模拟,表明EM算法对参数的估计更为有效,且EM算法在小样本下就能得到较好的估计效果.     

基于改进SVM的淘洗机选矿质量在线预测研究

由于现场选矿过程环境复杂,传统选矿质量检测方法的滞后容易导致结果反馈不及时,使得淘洗机选矿品位不稳定.本文采用一种基于改进粒子群算法和SVM相结合(IPSO-SVM)的在线预测模型来预测并调控选矿质量.由于粒子群优化算法容易陷入局部最优解和出现过早收敛,通过多方面手段改进粒子群算法,利用基准函数对改进的粒子群算法进行验...     

基于泊松簇过程的三层异构蜂窝网络部署模型

5G标准下的蜂窝网络正在向异构化、超密集化的方向发展,传统的基于六边形网格模型的研究方法较为理想化且并不精确,越来越不适用于如今的异构网络.针对这个问题,目前常用的方法是使用基于随机几何的泊松点过程来研究异构网络的基站部署,这种方法假设基站的空域分布完全随机,因此得到了覆盖概率的理论下界.但是由于宏蜂窝边缘（盲区）以及热点地区（忙区）等特殊区域中,站点的分布可能形成簇,此时,基于泊松点过程的空域分布将不再准确.针对这个问题,本文使用泊松簇过程研究三层异构蜂窝网络的基站部署与规划.首先,提出基于泊松簇过程的基站部署系统模型,讨论了基于簇分布的基站形成过程;其次,在充分分析用户受到的聚集干扰基础上,采用基于瞬时信干噪比的小区选择机制,推导出了中断概率模型,并讨论了三种特殊条件下的中断概率;最后,通过仿真对比分析了基于泊松簇过程与泊松点过程的中断概率的差异以及信干噪比阈值变化时的中断概率的变化曲线,证明了基于簇的空域基站部署具有更低的中断概率.      

一种顾及数据时效的沉降预测模型序贯解算方法

工后沉降与构建物的安全性密切相关,精确预测工后沉降对工程的运营维护具有重要意义。现有沉降预测模型大多采用实测沉降数据等权拟合,无法反映不同时期观测数据对预测模型的影响差异。针对该问题,本文在沉降预测模型序贯算法的基础上,提出了一种顾及数据时效的随机模型确定及预测模型解算方法。引入了降权系数优化随机模型,得到顾及数据时效的模型序贯解算公式;从理论上分析了新方法对历史观测数据降权的规律;对隧道沉降预测进行了实测工程数据验证,结果表明：本文提出的新方法可以将沉降预测的精确度提高4～8倍。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.      

超声法测量铍泊松系数、弹性模量

一、前言 金属铍泊松系数很低,杨氏模量和剪切模量较高。 超声波法测量金属铍的泊松系数、弹性模量是比较方便.准确的方法,并且可以对产品本身进行多次重复测量。     

无数学模型的非线性约束单目标系统优化方法改进

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径.      

δ-冲击模型及随机检测

讨论了δ-冲击模型,在泊松冲击流下给出了一些可靠性指标:系统可靠度函数和首次故障前平均时间.在假设检测间隔形成一个泊松过程的条件下,利用随机的思想来研究遭受随机冲击系统的最优检测问题.