一种基于高频强调滤波和直方图均衡化的图像增强方法

直方图均衡化能够调节图像的动态灰度范围,是一种经典有效的图像增强方法,但它建立在合并相似像素灰度的基础之上,模糊了图像的细节。高频强调滤波将变换后的低频和高频分量都得到了增强,但是低频分量的增强要弱一些,这样会使得图像边缘更加清晰。实验表明,经该方法增强后的图像,其主观视觉效果明显改善。     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。     

基于组态软件的监控系统设计

介绍了反应釜自动崎测控制系统,越于Kingview组态软件开发平台,采用P1C作为控制系统核心,进行了控制系统的硬件和软件设计。实现了反应釜之间的并行工作和工作时间的调配,提高了企业的生产效率。     

蚁群算法及其在路由优化中的应用综述

蚁群算法(ACO)是一类新型的机器学习技术,根据蚁群算法的正反馈原理和启发式原理的特点,针对目前国内国际的研究情况,对蚁群算法在最优路径的搜寻上从收敛性,收敛算法的改进以及收敛速度等方面的研究分别进行了分析综述,并对蚁群算法的一些应用,如:LEO卫星网络和无线传感等方面进行了阐述.对蚁群算法在路由优化和负载平衡上的研究进行了对比分析,发现了它们存在的不足,指出了在该领域需要进一步研究的热点问题.     

柔性支撑Stewart平台自适应交互PID隔振控制

为了实现500 m口径球面射电望远镜(five hundred meter aperture spherical radio telescope, FAST)二级精调稳定平台对馈源舱隔振控制的定位和指向精度, 首先提出了基于并联机构学原理的3维机动目标跟踪预测算法, 对柔性支撑Stewart平台的基座运动进行跟踪预测. 进而,在Stewart平台关节空间设计了自适应交互PID控制器, 引入自适应交互算法解决PID参数的实时调整, 以适应柔性支撑Stewart平台的参数变化对不同控制参数的需求. 采用现代机电系统仿真策略, 对柔性支撑Stewart平台隔振系统的动力学与控制问题进行了仿真, 结果表明: 与传统的PID控制器相比, 自适应交互PID控制器大大改善了隔振效果, 完全满足隔振目标的要求.     

激光扫描车身测量传感器靶标识别体系的研究

介绍了四光束激光扫描测量车身三维坐标的系统构成和基本原理,从系统PIN预处理输出的靶标回射信号的特点出发,为汽车车身测量传感器设计了基于条形码识别原理的合作靶标识别体系,最多可同时对27个测量点进行有效识别,确保传感器的精度要求和效率要求,达到了很好的实验效果。     

基于OPC的实时数据集成系统

针对目前系统中集成能力、可操作性和可扩展能力等存在的问题,研究了工业自动化中数据集成的关键技术,提出了一个基于OPC和消息中间件的实时数据集成方案,并在此基础上进行了集成平台的实现。通过应用,证明该系统能够大幅提高数据集成的质量和效率。     

SINS/GPS组合导航系统仿真研究

以某载体的规划航迹数据为对象,针对捷联、卫星组合导航系统(SINS/GPS)进行了仿真研究。由规划航迹数据计算出载体的比力和角速度信息,输入至惯性测量器件模型,模型输出激励捷联解算模块,得到惯导系统输出参数;同时对规划数据添加观测噪声模拟GPS测量值。采用相对简单的基于半位置、半速度误差的误差方程作为状态方程,以松耦合方式进行集中式Kalman滤波,给出了SINS单独工作与SINS/GPS组合得到的半位置、半速度误差分布。对各状态的观测度进行了研究,确定了不可观测的状态并给出了部分状态可观测度的时间分布。仿真结果表明,方法正确有效,可对SINS/GPS组合导航系统进行算法验证和方案性评估。     

基于缓冲和预选的网格资源调度优化

资源发现是影响调度效率的关键,针对网格资源发现中复杂的查询过程,通过资源代理,将用户任务发生过调度的资源在本地进行缓存,构成黑白资源名单。同时,在网格资源代理空闲时,按照最近调度的QoS参数为参考值,进行资源的预选择,存放在本地记录,由此构成了本地记录优先的资源发现。针对该方法,设计了支撑该方法的优化代理体系结构,讨论了记录管理问题,给出了优化资源调度过程的算法。实验表明,该方法缩短了任务的平均调度时间,从而缩短了任务平均完成时间,提高了吞吐量,达到了优化的目的。     

基于双Kohonen神经网络的Web用户访问模式挖掘算法

本文根据Kohonen自组织特征映射神经网络中学习阶段的性质,运用双Kohonen神经网络组合成新的自组织训练挖掘模型,先使用粗调整训练,加快模型学习速度,紧接着使用微调整训练,提高模型学习精度。实验结果表明,本文提出的双Kohonen神经网络挖掘模型,相对于标准Kohonen神经网络在训练速度和收敛效果上都有一定程度的提高,改善了聚类效果,为挖掘用户的多种兴趣提供了一种可行的方法。