一种基于改进粒子群的图像滤波方法

根据传统中值滤波的不足,提出采用改进的粒子群算法PSO(Particle Swarm Optimization)-随机惯性权法来寻求模糊隶属函数的最优参数,然后对噪声图像进行模糊中值滤波处理,复原被噪声污染的像素点灰度值。通过Matlab图像处理工具箱的实验结果表明,基于改进PSO中值滤波比一般中值滤波效果有了一定程度的提高。该方法不仅有较好自适应性,可以不断逼近目标值,而且还能很好地保护图像细节信息,提高图像的去噪效果和清晰度。     

用多项式预测滤波消噪的传感器动态特性辨识

在利用传感器进行动态测量时,为了得到精确的测量结果,需要建立传感器动态特性的数学模型,传感器动态特性可以通过系统辨识得到.但是,测量噪声的存在,使得辨识得到的传感器动态特性与实际动态特性存在一定误差,影响到测量系统的精度.为了解决该问题,本文讨论了多项式预测滤波和中值滤波相结合的方法对传感器输出信号进行滤波消噪.然后,利用消噪后的信号,通过系统辨识方法建立传感器动态特性的数学模型.研究表明,采用本文研究的方法可以克服测量噪声对传感器动态特性辨识的影响,并将该方法用于薄膜热电偶的动态特性辨识.     

基于改进QR-PSO算法的压力传感器的动态补偿方法

针对压力传感器在实际使用中动态特性难以满足测试需求这一问题,利用激波管对压力传感器进行动态标定,获取实验样本,依赖样本估计逆模型,提出了基于QR分解和改进粒子群算法构建补偿系统的设计方法.采用QR分解确定模型阶次,降低了简化传感器模型带来的动态补偿运算误差,并结合改进粒子群算法,高效、智能的确定补偿系数.通过实测样本对补偿系统进行重复性验证,结果表明压力传感器的动态响应性能显著地提高了,补偿效果令人满意.     

基于改进粒子群和自适应滤波的快速模糊聚类图像分割

为改进传统模糊C均值聚类(FCM)算法对初始聚类中心敏感、易陷入局部收敛、抗噪性差、计算量大的问题,提出一种新的基于改进粒子群算法的快速模糊聚类图像分割方法(PSOFFCM);方法首先利用自适应中值滤波对图像进行滤波处理,增强算法的鲁棒性;然后,将图像像素灰度值映射到二维直方图特征空间,作为聚类样本,优化FCM的目标函数,减少图像分割的计算量;最后,利用PSO算法代替FCM的梯度迭代过程,减弱了算法对初始聚类中心的依赖,同时增强全局搜索能力;实验结果表明,该方法不仅克服了FCM算法对初始聚类中心的依赖,而且抗噪能力强,收敛速度快,分割精度明显优于传统FCM。     

基于混合粒子滤波的温控传感器故障诊断方法

标准粒子滤波算法的精度不高、鲁棒性差,难以满足电厂温度传感器故障诊断的要求。针对该问题,提出一种新的适用于温度传感器故障检测的智能粒子滤波算法。该算法采用人工鱼群的全局收敛性找到满意的解域,利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。实验结果证明,该算法精度高、鲁棒性强,可以有效地应用于电厂温控系统故障的诊断。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

基于混合粒子滤波的故障诊断方法

结合了模糊递归神经网络和粒子群算法,在此基础上改进粒子滤波的故障诊断方法．故障诊断作为智能控制的研究热点,其算法层出不穷．粒子滤波故障诊断作为基于解析模型的状态估计诊断方法的一种,一直在工业生产中起着重要的作用,但其自身的缺点也限制了它的进一步发展,保留粒子滤波的优势,提出一种基于混合算法的粒子滤波故障诊断方法,该方法不但一定程度上解决了权值退化的问题,而且改进了粒子群算法,并结合神经网络算法在啤酒发酵温控系统中形成了故障检测、预测和辨识为一体的故障诊断方法．     

基于动态调节粒子数目的粒子滤波改进算法

研究优化粒子滤波算法,针对传统的粒子滤波算法在实际的应用中,要求快速实时.但由于实际往往需要大量的粒子数据参与运算,而造成了算法运算耗时的问题.为解决上述问题,提出了一种改进的粒子滤波算法.改进后的算法可以根据实际应用的情况,动态计算参与运算需要的粒子数目,在不需要全部粒子参与运算的情况下,动态减少粒子的数目,减少算法...     

基于粒子滤波预测的WSN分布式动态目标跟踪设计

为了保证在具有较高跟踪精度的条件下,实现WSN监测区域移动目标的动态跟踪,并尽可能地降低节点能耗和延长网络的生命周期,提出了一种基于改进粒子滤波算法的分布式移动目标跟踪算法;首先,对网络假设和目标移动模型均进行了描述,然后设计了实现对移动目标进行跟踪的节点组织策略,对网络进行动态分簇,在初始时刻簇头收集簇成员的目标估值并进行信息融合以获得目标的初始位置,然后在簇头处运行改进的粒子滤波算法并周期收集各簇成员的观测值进行目标跟踪;采用Matlab仿真工具进行仿真,结果表明文中方法能精确地实现WSN监测区域的移动目标跟踪,且与其它方法比较,具有较高的跟踪精度、较小的误差及较大的优越性。     

改进的基于中值滤波和小波变换的图像降噪方法

针对基于小波变换的阈值去噪方法仅适用于去除高斯白噪声,对于脉冲噪声得不到好的降噪效果的问题,提出了将基于高斯模型的小波变换算法与改进的中值滤波相结合的去噪方法。该方法能够有效去除高斯白噪声和脉冲噪声的混合噪声。仿真实验结果表明,结合算法去噪后图像的峰值信噪比和均方误差都比单一算法得到了改善,从而证明了该方法的有效性。     

一种基于极值中值的新型滤波算法

提出了一种新的利用局部统计信息（极值）的自适应中值滤波方法－－极值中值滤波算法,该方法可以有效地去除图偈中的椒盐噪声,并保留图象的细节,本文首先给出了一个噪声判别标准,然后描述了滤波算法的执行过程,对本算法与标准中值滤波算法,以及近几年出现的几种改进型中值滤波算法进行了分析与对比,最后给出了一组实验数据,实验结果表明,与其他算法相比,本算法招待速度快,去除噪声与保留细芤的效果好。     

一种彩色图像滤波的改进矢量中值滤波算法

通过分析彩色图像滤波的一般方法，提出了一种基于矢量中值滤波的改进算法。该算法融合了线性均值滤波和非线性矢量中值滤波两种方法，大大降低了运算复杂度，同时对脉冲噪声和高斯噪声有好的抑制作用，能有效地保护图像的边缘信息，滤波后不会出现新的颜色。另外本算法的运算复杂度随着滑动窗的增大而缓慢增加，使其能够达到滤波效果和运算复杂度的有效平衡。     

基于量子粒子群优化的动态标定辨识方法

针对传统辨识方法对非线性系统辨识效果不理想的情况,提出将量子粒子群优化（ QPSO）算法引入到力传感器的动态标定辨识中来。搭建了基于垂直正弦力加载的力传感器动态标定装置优化,该系统使用正弦运动机构作为激励装置,动态力由安装在正弦机构上的质量块产生。为验证QPSO算法进行系统辨识的可行性,进行了两组对比实验。结果显示：相比于递推最小二乘（ RLS）法,QPSO算法的辨识精度较高,适用于非线性系统的参数辨识。     

基于改进RLS的传感器动态特性校正方法

在动态测试中为了消除传感器谐振频率处振动产生的误差,针对传感器高阶系统的补偿问题提出一种改进RLS算法优化补偿滤波器。采用梯度下降法产生滤波器参数初值,再用RLS算法对参数进行修正。在matlab平台上对算法进行了仿真验证,分析了补偿前后传感器系统的时域响应和频域响应。对实际压电传感器CY-YD-205进行了补偿,工程实验表明采用改进RLS算法设计的补偿滤波器可以大大改善传感器系统的动态特性。     

改进滑动平均滤波在PSO辨识中的应用

在实际系统信号中不可避免的会存在噪声和瞬时扰动,噪声过大会严重影响粒子群优化算法(pso)的辨识结果.针对强噪声环境下利用PSO算法进行参数辨识精度差甚至不能收敛的问题,提出了一种改进的滑动平均滤波算法,通过动态修正滑动平均后的数据相位,来实现无滞后的滑动平均滤波效果.仿真实验表明,对这种改进滑动平均滤波算法应用于PS...     

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波（IAWMF）算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口（N ×N）的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明：改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比（ PSNR）、均值平方误差（MAE）、均值绝对误差（MSE）显著优于其他算法,在降噪和保持细节中取得很好的平衡。     

基于无线传感器网络的图像中值滤波分布式并行算法研究

研究了把无线传感器网络作为数字图像分布式并行处理平台的可能性,给出了几种可能的无线传感器网络分布式并行处理平台结构,设计了适用于二维网格结构的图像中值滤波并行算法。最后分析了计算加速比及并行效率等主要性能参数,认为基于无线传感器网络的图像中值滤波分布式并行算法整体性能优于传统的算法。     

一种磁性液体加速度传感器模型的参数辨识方法

针对磁性液体加速度传感器模型的参数辨识问题,提出一种改进混沌粒子群算法。该算法利用改进的logistic映射对粒子群进行混沌初始化,并采用抛物线规律对迭代过程中的惯性权重进行实时调节。算法最终辨识出了传感器中磁芯吸附磁性液体后的等效长度、等效半径及等效相对磁导率。实验结果表明,该方法辨识出的参数相对误差小于0.85％,且辨识曲线与参考曲线的拟合度在94.37％以上。     

基于ARM架构的中值滤波算法优化

中值滤波是图像处理中降低椒盐噪声的一种有效手段,其核心是计算当前滤波窗口内所有像素的中值。中值滤波具有稳定性,当一幅图像的像素点被改变时,即使改变的值很大,也不会影响中值滤波的计算结果。滤波窗口遍历整幅图像后,就完成了整幅图像的中值滤波计算。中值滤波算法的关键是定义最优中值算法,以在最短的时间内获取中值。对此,提出并实现了自适应中值算法,能够根据滤波窗口半径和数据类型,自动选择性能最佳的中值算法,并使用ARM NEON指令集进行优化加速。实验结果表明,提出的自适应中值滤波算法较OpenCV的中值滤波算法性能有显著提升,平均性能提升了20%。     

基于仿生算法改进粒子滤波的SLAM算法精度预测

为解决传统粒子滤波算法重采样时产生的样本退化及样本贫乏带来的机器人定位与建图精度下降问题,提出一种基于改进仿生算法的粒子滤波.该算法将粒子最新时刻的观测与状态信息引入亮度公式,并将萤火虫的优胜劣汰和位置更新机制融入粒子滤波算法,以提高粒子的滤波能力.为保证算法的收敛速度和预测精度,在萤火虫位置更新过程中引入自适应调整步长进行即时修正;基于标准粒子滤波重采样的缺陷,采取分步重采样策略,通过偏差修正指数加权算法制定高效的舍小保大方案,并合理使用剩余大权值粒子完成粒子的复制和添加.仿真验证表明,所提出的改进算法可以明显提高传统粒子滤波的预测精度,且应用到基于移动机器人运动模型的定位与建图时可保持较高的定位精度和较好的稳定性.