ID3算法在军事训练成绩分析中的应用

随着部队实战化训练的深入,传统的训练成绩分析方法已不能适应科学组训的需要。该文引入射击训练实例,应用人工智能中机器学习的ID3归纳学习算法,对射击情况进行分类分析,得出影响军事训练成绩的内部原因以及其他一些结论。     

典型工业过程鲁棒PID控制器的整定

提出一阶迟延过程、积分迟延过程、不稳定迟延过程和二阶迟延过程等典型工业过程的鲁棒PID整定公式.本文从抗干扰性能和鲁棒性能两方面综合考虑,把鲁棒PID控制器的设计问题转化为求解一个带鲁棒性能约束的绝对误差积分指标(IAE)优化问题.鉴于该问题是非凸的,本文采用遗传算法来求解,并通过曲线拟合得到典型工业过程的PID控制器的整定公式.仿真结果表明本文的PID整定公式有效,且控制器具有良好的抗干扰能力和频域鲁棒性.     

神经风格迁移模型综述

神经风格迁移技术主要用于对图像、视频等进行风格化,使其具有艺术美感,该领域极具应用价值,是人工智能的热门研究领域之一。为推动神经风格迁移领域的研究发展,对神经风格迁移技术进行了全面概述。简述了非真实感渲染技术和传统的纹理迁移技术。对现有神经风格迁移模型进行了分类整理,并详细探讨了各类代表性模型的算法原理及后续改进,分析了神经风格迁移技术的应用市场。提出对风格迁移模型质量的评判应该从定性评估和定量评估两个方面来考虑,并从各个角度讨论了现阶段风格迁移技术存在的问题以及未来研究方向。最后强调应提高模型的综合能力,在保证生成质量的情况下提升生成速度以及泛化能力。     

基于支持向量机技术的粮虫图像分类技术研究

介绍了支持向量机的基本思想,提出了一个基于支持向量机的粮虫模式识别系统。该系统先对粮虫图像进行小波边缘提取,根据灰度共生矩阵和局部统计方法提取小波分割后的图像纹理特征。最后利用支持向量机对粮虫图像进行分类。     

针对大规模无线多跳网络的鱼眼机会路由协议

考虑到无线网络中广播特性、丢包特性、节点移动等对网络性能的影响,提出一种针对大规模无线多跳网络的鱼眼机会路由协议。在机会路由的基础上加入鱼眼技术,减少链路状态更新信息。在鱼眼路由表中加入链路传输概率,得到转发列表,并且简化机会路由协议的报文头结构,从而实现高效的数据传输。NS2仿真结果表明,该协议能降低网络端到端延时,提高网络吞吐量。     

一种神经网络参数扰动算法及其在机械手控制中的应用

基于Ｈｏｐｆｉｅｌｄ型网络的收敛特性和Ｋｉｒｐａｔｒｉｃｋ等的模拟退火算法的思想，提出了一种克服Ｈｏｐｆｉｅｌｄ网络的局部极值问题的网络参数扰动算法，它具有类似ＳＡ算法的随机退火的特性。文中通过大量数字模拟分析了该算法的退火性能。     

一种动态无线传感网络操作系统－SOS

无线传感器网络节点,在一般用途的系统和嵌入式系统里都有自己的特点。有时必须在能源很少并且环境比较恶劣的情况下工作,同时还提供共同服务,使它很容易编写应用程序。在当前流行的无线传感网络操作系统TinyOs下,虽然各个组件可以互相提供共同服务,但是每个传感器节点必须单独的运行一个静态的系统镜像,所以很难满足多维应用的系统或者频繁的应用更新。SOS,一种从设计上更考虑动态性的更适合微型节点的操作系统应运而生。它由一个公共的内核和模块组成,它有自己的消息机制．动态内存机制,可以动态加载和动态卸载模块,以及其他的一些服务。然而模块之间是通过一个相互的预定协作机制相互联系的．没有内存的保护。但是尽管如此,SOS通过一系列自己的手段有效的克服了这些缺点,比如看门狗定时器,垃圾回收系统等等。相互独立的模块之间,可以通过最小的系统终端来添加或者删除。通过对比,虽然SOS是动态设计并且使用了更高的内核接口．但是跟TinyOs相比,总的使用开销却是基本一样的。SOS是基于模块化的,容易编程。TinyOS是基于组件化,效率高。而MantisOS可以支持多线程,但是代码占用空间大。由此可以看到,SOS是一个具有自己的特点和优势的无线传感网络操作系统。     

基于FPGA的全同步数字频率计的设计与实现

利用全同步频率测量原理,通过FPGA(Field Programmalbe Gata Array)芯片,运用VHDL语言编程设计一个全同步数字式频率计,消除了±1的计数误差,测频范围在DC～100MHz,给出了各模块的VHDL设计方法和仿真波形.并且可以利用FPGA芯片构成系统板,具有较高的实用性和可靠性.     

CHRIS 高光谱图像森林类型分类方法比较研究

以长白山为试验区,选择CHRIS/PROBA高光谱零度角遥感数据,在对其进行预处理的基础上,通过应用最大似然法(MLC)、最小距离法、支持向量机法(SVM)和光谱角填图法(SAM)等几种常用的高光谱遥感分类方法对影像进行森林类型分类。利用混淆矩阵对分类结果进行验证,结果显示:在高光谱遥感森林类型分类中,SVM总体分类精度最高,为84.60％;其次是MLC,为 83.53％,最小距离法73.81％,SAM 56.49％。Kappa系数从高到底为:SVM 0.78,MLC 0.77,最小距离法0.68,SAM 0.52。经过比较分析,得出SVM分类方法精度最高,这表明该方法用于高光谱遥感森林分类中的实用性和优越性。