超差特征量指标集约束下PID调节器的满意优化

针对一类具有目的域的控制系统,提出将一组由滞留时间、超差时间以及随机穿越周期时间等构成的超差特征量指标纳入满意PID调节器的目标函数集中进行研究。将PID调节器的参数设计转化为局部状态反馈问题,推导出带状目的域下超差特征量指标的解析表达式,并分析了其与稳定裕度、动态误差系数以及稳态输出方差指标之间的相容性;当上述指标相容时,给出了一种利用双群体机制下的差分进化算法和内点法相结合对PID调节器参数进行优化求解的策略;数值算例表明了所提方法的有效性。     

基于CSP的学习智能导航服务模型与算法研究

研究了在网络学习平台中如何为自主学习者提供学习活动智能导航服务的问题。目前,为了进一步满足虚拟学习环境中学习者的个性化需求,笔者所在课题组开发的网络学习系统中采用了基于知识点的学习路径生成算法和资源组合算法,从而能为不同学习者从资源库中提取出个性化的学习内容包。然而,在实际使用中笔者发现,学习者虽然获得了符合需求的学习内容,其学习效果仍然缺乏有效的保障。原因在于学习过程实质是由学习活动而非静态的学习内容组成的,在学习过程中学习者应该根据教学规律和自身特点,有步骤地完成一系列学习子任务,才能保证最后的学习效果。为此,在以往的知识点关系层之上建立了学习活动,并将学习活动的调度问题转化为了csP问题模型,并提出了相应的求解方法。实验表明,该方法能够生成符合预期目标的学习任务调度,从而实现学习活动的智能导航服务。     

一种基于人工免疫技术的存储异常检测系统

绝大部分认证子系统无法保证账户的真实性,它会将冒用盗窃账户的入侵者视为‘合法’用户。为了过滤这类非法用户,存储安全子系统必须进行访问行为诊断。为了增强存储预警能力,提出一种基于人工免疫的异常检测方案来监控用户的访问行为。若一个访问请求违反了访问控制规则,它就被视为‘异己’,从而给存储安全子系统提供一些警告提示。本方案(Storage Anomaly Detection System,SADS)针对存储层的入侵检测,并关注读/写数据请求,同时与网络入侵检测系统协同构筑了两层检测体系。仿真结果显示,SADS能达到相当高的检测率和较低的误警率,验证了方案可行性。而开销测试表明,SADS子模块的时间开销是可接受的(如对3MB的数据,其开销控制在11.6%以内)。     

带空间特性的角色访问控制研究

以自主开发的内嵌式安全空间数据库管理系统SECVISTA为平台,研究带有空间特性的角色访问控制SR-BAC(Spatial Role-Based Access Control)模型的特性。定义在空间环境下的空间对象区域范围约束、空间对象区域大小约束、空间对象责任分离约束和空间对象角色激活基数约束;对RBAC模型会话进行扩展,确定任一空间位置的无阻塞会话集合;讨论分析了空间环境下的角色继承关系;最终建立一个通用的、描述能力强的SRBAC模型。     

基于自适应水平集方法的运动目标跟踪

在对复杂背景条件下的非刚体目标进行跟踪时,水平集方法是一种非常有效的方法。针对水平集的初始化问题,提出了一种自适应初始化的水平集方法。首先采用粒子滤波对目标进行跟踪,得到运动目标的粗外接矩形轮廓;然后以外接矩形轮廓的质心为基础进行水平集曲线演化,求取目标的精确轮廓信息,并将轮廓的提取结果反馈到跟踪框架中;最后,动态更新参考模板,以改进似然函数。实验结果表明,本方法能够适应非刚体目标在运动中的自由变化,使得跟踪更加精确。     

基于一种新的目标识别的边缘爬行算法

针对机器人目标识别的实时性、快速性和鲁棒性特点,依据物体边缘大部分区域的方向缓变原理,提出了一种基于记忆的边缘爬行改进算法.爬行搜索方法的一个明显缺点是"爬虫"容易掉进"陷阱",即围绕某个局部小区域重复爬行.记忆搜索方法则有效克服了爬行搜索方法容易掉进"局部陷阱"的不足.在边缘爬行的同时,通过标号将颜色相近的不同物体分割出来.实验结果表明,与传统方法比较,该方法的边缘线更加完整、清晰,而且缩短了处理图像的时间,使目标识别的实时性和鲁棒性得到了优化.     

煤矿监控图像中脸肤色和模板检测

煤矿监控图像的对比度低、灰度不均匀,使监控图像的处理和识别难度增大.在巷道环境下采集多角度的矿工监控图像,根据脸部肤色区域像素的统计特征,用上下限阈值的方法在HSV颜色空间分割出各种角度的矿工脸部,用半径为2的圆形结构元素进行数学形态学的开启和闭合操作,去除被误分为脸部区域的背景像素;根据脸部灰度分布特征构造了平均脸模板,用相似度函数作为脸部模板匹配的判别函数,检测矿工脸部位置.结果表明,用肤色分割和平均脸部模板匹配方法,可以快速检测出矿工脸部的精确位置.     

二进制无线传感器网络目标跟踪问题的研究

无线传感器网络是近几年发展起来的一门新技术,其研究的重点之一是目标跟踪问题。二进制传感器网络由于其低廉的布设代价、体积小、低能耗以及传感器节点简单,正得到越来越多的关注并用于目标跟踪。目前二进制无线传感器网络中的目标跟踪方法主要分为两大类:基于分段线性拟合的方法和基于粒子滤波的方法。现分别归纳总结现有二进制无线传感器网络中目标跟踪的两大类方法的研究成果并指出其优缺点以及未来的研究方向或需要完善的工作。     

一种基于分段测量的Internet端到端性能参数估计方法

传统的基于测量的Internet性能参数估计要求测量点是端到端路径的起点和终点,这一方面使得测量和估计带有很大盲目性,增加了网络流量;另一方面会导致测量方法难于实施,估计结果不准确。提出了基于分段测量的思想,对ITU-T定义的延迟、延迟变化、丢包率和错误率4个参数进行测量和估计。由于测量是分段进行的,每次测量值都可应用于多条端到端路径的性能参数估计,因此降低了盲目性并大大减少了网络流量。为验证本方法的性能,基于PlanetLab平台设计和实现了生成器、性能参数测量机和结果收集器。通过在全球的100多个节点上的部署和为期一个月的运行证明了该方法便于实施,并且具有较高的准确性。     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.