一种基于计算智能的油气层识别方法

油气层识别是测井解释的一项主要任务,现今采用基于统计学理论的常规识别方法本身存在不少缺点因而在应用中无法取得理想的效果。为此提出了一种基于粗集和神经网络的智能识别方法,先用粗集理论约简样本信息,然后采用带有非线性连接权的神经网络来识别油气层。通过塔里木油田实际油井的应用,结果表明这种识别方法的准确率远高于常规方法,且效果显著。     

基于神经网络的冠心病智能诊断系统

为解决冠心病多参数诊断中存在的问题,提出了一种基于优化算法的神经网络智能诊断系统,即采用优于BP算法的LM算法进行网络学习训练,采用黄金分割优选法对网络隐含层节点数进行优选。临床实验应用表明,这种系统具有拟合精度高和运算速度快等优点,且诊断正确率为100%。     

基于人类视觉的图像质量评价的定量研究

随着人们对视觉成像质量要求的不断提高,成像质量评价方法的地位也随之升高,而对比敏感度CSF是检测视功能的重要指标.本文研究了大瞳孔下不同Zernike组分高级像差与CSF的关系：高级像差、矫正第三级的高级像差、矫正第三、四级的高级像差、彗差、球差、三叶草6种情况下的CSF曲线图,定量地分析了在不同频率处CSF的变化规律.结果表明：RMS值与CSF曲线的变化趋势是呈负相关的;在空间频率为7 cpd和13 cpd时,高级像差、矫正第三级的高级像差、矫正第三、四级的高级像差后的CSF值分别为62和24.58、64.5和25.97、67.29和29.39,说明三、四级高级像差对CSF的递减变化都起到一定的积极作用,且第四级影响较大;彗差、球差、三叶草对CSF的影响不容忽视,在空间频率为7 cpd和13 cpd时,彗差、球差、三叶草的CSF值分别为82.03和34.81、85.64和35.85、85.96和36.18.     

感应测井反褶积因子的最优设计

反褶积是感应测井数据处理的主要手段，而反褶积因子是提高感应测井反褶积效果的关键，本文利用最小二乘反褶积（ＬＳＤ）法，经过白噪化处理，能量保持和希望输出函数选择等处理，可设计出最优的最小二乘反褶积因子。文中提出了的模型算实例表明，用最优设计的反褶积因子进行感应测井数据处理，可获得比较理想的处理效果。     

基于虚拟三面体的摄像机与二维激光测距仪外参数最小解标定新算法

摄像机与激光测距仪(Camera and laser rangefinder, LRF)被广泛应用于机器人、移动道路测量车、无人驾驶等领域. 其中, 外参数标定是实现图像与LIDAR数据融合的第一步, 也是至关重要的一步. 本文提出一种新的基于最小解(Minimal solution) 外参数标定算法, 即摄像机与激光仅需对标定棋盘格采集三次数据. 本文首次提出虚拟三面体概念, 并以之构造透视三点问题(Perspective-three-point, P3P)用以计算激光与摄像机之间的坐标转换关系.相对于文献在对偶三维空间(Dual 3D space) 中构造的P3P问题, 本文直接在原始三维空间中构造P3P问题, 具有更直观的几何意义, 更利于对P3P问题进行求解与分析. 针对P3P问题多达八组解的问题, 本文还首次提出一种平面物成像区域约束方法从多解中获取真解, 使得最小解标定法具有更大的实用性与灵活性. 实验中分别利用模拟数据与真实数据对算法进行测试.算法结果表明, 在同等输入的条件下, 本文算法性能超过文献中的算法. 本文所提的平面物成像区域约束方法能从多解中计算出真解, 大大提高了最小解算法的实用性与灵活性.     

一种改进的基于广义后缀树的文本聚类算法

分析了基本STC算法存在的三个缺点,即不能有效处理包含文本数目差距较大但具有包含关系的节点,不能有效处理包含文本相似但主题不同的节点,缺乏有效的类别标识提取算法．针对以上问题,在综合考虑主题相似性以及文本包含相似性的基础上,给出了改进的用于基类合并的相似度公式,并提出了基于信息增益的类别标识提取算法．为了进一步提高聚类效率,给出了一种简单有效的用于基类选择的测度,用来排除一些无意义的广义后缀树节点．实验结果表明,所提算法不仅可以有效提高STC算法的聚类准确度,而且可以对聚类结果进行有效的类别标识．     

基于PSO算法的CMOS运算放大器优化设计

针对CMOS运算放大器设计中缺乏自动设计工具,采用手工设计很难提高电路性能的问题,基于群智能技术提出了一种改进的粒子群优化算法(PSO)来进行全局优化求解.主要将CMOS运算放大器的电路性能解析方程转化成粒子位置的求解,先初始化粒子的速度和位置,然后不断迭代更新,直到搜索出全局最优值.仿真结果表明,该方法可以提高CMOS运算放大器的性能,在精度和速度上优于遗传算法和基本PSO算法的设计效果.     

基于LM算法的神经网络语音识别

由于语音识别中朵用标准BP算法存在的训练速度慢、容易陷入局部极小等问题，提出一种基于稳定、快速的Levenberg-Marquardt算法的神经网络语音识别方法，主要包括语音信号预处理、特征提取、网络结构优化设计、网络学习训练和语音识别等过程。其中网络隐含层节点数的选取采用黄金分割优选法。试验仿真表明，LM算法明显提高了网络训练速度，减少了训练时间，其效果优越于标准BP算法。     

基于高斯过程回归的上市股价预测模型

在新股上市价格的科学优化预测问题的研究中,由于金融数据复杂,特别是新股价格存在极强的无序性。传统股票价格预测方法只能采用线性变化规律进行准确预测,无法对非线性股票价格进行有效建模,降低股价预测精度。为了提高股票价格预测精度,提出一种高斯过程回归的新股上市价格预测模型,通过提取影响新股上市价格形成的指标因素,用其训练纳斯达克(NASDAQ)新股上市价格的历史数据,以粒子群算法优化高斯过程的超参数来预测新股上市价格。将8家公司的上市股票作为实例进行分析,预测结果表明,高斯过程回归的方法提高股票价格预测精度,能够有效地适用于新股上市价格预测。