基于自适应蚁群优化的Ad Hoc网络路由算法

针对蚁群优化固有的搜索时间长、易陷入局部最优解的缺点,提出一种改进的基于蚁群优化的AdHoc网络路由算法.通过增加自适应因子提高路由搜索能力,充分考虑节点间的时延来改进信息的更新机制,同时对路由表做出修改,提高路由算法性能,增强算法的适应能力.经过与已有路由算法DSR和AODV的仿真比较,结果表明该算法在成功传输率和平均端到端延迟上表现了较好的性能.     

基于全模型的车辆工程环境

为了实现基于Web的车辆设计计算方法、模型、数据、经验、软件工具等资源共享与重用,提出基于流程树和产品结构树的产品全模型概念,并建立了基于全模型的用于支持车辆设计、分析,优化的工程环境.全模型分为成熟全模型和非成熟全模型,又可分为产品总体全模型、部件全模型,零件全模型.论述了全模型及其关联模型的内涵.给出了车辆工程环境体系结构、实现方法.     

基于ASP.NET的水稻分子育种信息平台管理系统

为实现水稻生物学数据的共享、交流和利用,基于ASP.NET,结合国内外水稻分子育种研究的现状和需求,构建了水稻分子育种信息平台.系统平台设计了基因库、QTL库和Ontology等多个子库和模块,并针对生物学数据的特点,采用B/S架构,运用存储过程和分页技术等多重手段,实施了客户端和服务器端双重安全屏障.对系统的实现技术、实现方案和优化设计等进行了详细的讨论和阐述.     

基于Analytica的作战决策分析模型构建与仿真

根据作战决策分析模型对建模平台的需求,简要介绍了Analytica建模平台的特点和功能,讨论了探索性分析方法、系统动力学方法、以及多分辨率建模方法等建模技术在Analytica平台下的应用,并通过一个示例介绍了基于Analytica作战决策分析模型的总体结构和仿真计算过程.建模和仿真结果表明,Analytica工具平台时于作战决策分析建模具有良好的适用性.     

T-S模糊系统的构造及其逼近能力的充分条件

针对任意多变量非线性函数, 至今缺少一种简单有效的构造性方法来建造一个T-S模糊系统对其实现给定精度的模糊逼近. 本文在逼近函数g(X)∈C2及g(X)不∈C2两种情况下给出了一种当模糊集满足均匀性、连续性、正规性条件下T-S模糊系统的构造方法以及该T-S模糊系统逼近能力的充分条件. 该构造性方法简单易行且其逼近能力充分条件的保守性低. 最后通过仿真研究证实了该方法的正确性与有效性.     

基于某微型飞行器的2种图像导航算法性能比较

导航系统是微型飞行器中必不可少的重要部分,在城市、建筑物内部或强电磁干扰等环境下,要实现导航必须采用全新的技术。图像导航是其有效技术之一。根据微型飞行器导航系统实时性和算法精准性的要求,研究了2种图像导航算法：互相关匹配法和局部熵差法。为了降低计算量,使其易于工程实现,采用了分层搜索等技术,并对2种算法进行了改进。仿真结果表明：“互相关匹配法”更适合微型飞行器的图像导航。     

基于近似高斯金字塔的视觉注意模型快速算法

利用输入图像的近似高斯金字塔,将经典的基于显著性的视觉注意模型改造为时空开销更小的版本,从而使其更加适合在嵌入式实时系统中实现.首先采用矩形窗口近似圆形窗口,矩形平均算子近似高斯卷积核;然后采用“先做行累加,再做列累加”的方法来实现矩形平均算子,并直接采样计算出各个特征通道的显著性分布图,该算法关于输入图像像素点个数具有线性时间复杂度;最后,还给出了在显著性分布图中抑制已提取区域显著性的快速算法.在Berkeley分割图像库上的实验结果表明,该方法极大地减小了系统实现的时空开销,且输出结果的误差在可接受范围内.提出的用矩形窗口近似圆形窗口,用矩形平均算子近似高斯卷积核的方法,还适用于其他需要在嵌入式实时系统中实现的图像处理问题.     

基于最小二乘支持向量机的非线性广义预测控制

通过中值定理将一类非线性系统近似为时变线性系统,然后将提出的在线最小二乘支持向量机回归(OLSSVMR)与广义预测控制相结合,提出了一种基于OLS-SVMR的自适应直接广义预测控制.利用OLS-SVMR直接设计预测控制器,并基于广义误差估计对控制器参数和广义误差估计中的未知向量进行自适应调整.理论证明了该方法可使广义误差估计值收敛到原点的一个小邻域内.仿真算例也验证了该方法的有效性.     

对角CARIMA模型多变量自适应约束广义预测控制

为了简化约束存在时多变量广义预测控制算法的设计与实现,依据对角CARIMA模型的结构特点,将多输入多输出对象的参数辨识和模型预报问题转化为一系列多输入单输出子对象的参数辨识和模型预报问题.推导了输入输出的约束形式及优化求解过程.简化了多变量对象的参数辨识、模型预报、目标函数和约束条件系数矩阵的计算.在由DCS控制的非线性液位装置上的对比实验结果表明了该方法的有效性.     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度幔、计算量大、不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.