采样粒子群优化模型及其动力学行为分析

本文提出一种变采样周期的粒子群优化模型, 利用误差动力系统的李雅普诺夫函数分析优化行为的稳定性. 通过粒子的轨迹分析, 得出轨迹收敛的采样时间约束条件. 算法收敛性理论分析结果表明该算法不能收敛到局部最优. 针对多模态函数优化问题, 提出一种基于量子群的变采样周期的粒子群优化模型. 实验分析了采样周期对算法优化行为的影响. 结果表明其相对于传统粒子群算法的优势. 最后对基于量子群的采样子群优化算法的多极值寻优能力进行测试, 结果表明其有效性.     

灰色偏相关评价法在认知型学生模型中的应用

针对认知能力评价这类因素较多,且难以进行定量描述的问题,建立认知能力因素评价体系,利用灰色偏相关评价法建立认知型学生模型。首先分析各认知能力因素的相互影响关系,计算偏相关系数得到各认知能力因素的权重值。然后确定评价灰类,建立白化权函数,得到各认知能力因素关于各评价灰类的灰色评价权值,从而建立认知型学生综合评价模型。最后通过实例对方法模型进行验证。实例表明,该方法模型能够对学生知识水平作出评价并引导学生进行学习,其结果具有一定的可靠性。     

基于客观参数的图像质量评估

图像质量评价采用小波变换把自然图像分解成十个子带,在每个子带中设置两个参数和两个Logistic函数.通过计算客观度量与主观评估测试结果之间的关系来定义两个基于感知的模型,评估测试在包含344幅JPEG和JPEG2000图像的数据库中进行.线性预测模型能够反映图像的真实主观评分,而相关预测模型则能用来区分图像间的相对质量.在这两个模型中,每个客观参数和主观感知特性的关系用两个Logistic函数逼近,从而获得每个参数的最佳估计缺损程度.最终的图像质量度量通过组合各个估计缺损程度获得.实验表明这两种模型性能优良,和主观感知的图像质量有很强的相关性.     

O／R mapping技术比较研究

针对当前出现的越来越多的O/R Mapping技术,对其中影响最大的几种实现技术进行了深入的研究,并通过实验数据对它们进行了详细的分析和比较。     

一种用于辅助导航的快速图像匹配方法

为了提高辅助导航中多传感器图像匹配的精确性和实时性,首先提取图像的边缘特征,并用3-4距离变换(3-4DT)方法对边缘二值图像进行变换,以变换后的边缘距离图像为匹配特征;针对传统Hausdorff距离的局限性提出了一种融合点集重合数的Hausdorff距离,并以之为相似性度量;搜索策略根据人眼视觉系统的机制采用一种由远到近的分层匹配方法,同时使用一种改进的实数编码遗传算法来加快底层图像匹配的速度。实验结果为平均匹配时间为1283m s,平均误差值为1.036,表明匹配方法能满足导航要求。     

改进遗传算法和支持向量机的特征选择算法

提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据,对传统遗传算法的交叉和选择操作进行了改进,实现了指定数目的特征选择。而且算法在特征选择的过程中,还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明,提出的算法仅以损失2.7%识别率的代价,得到的特征维数却是传统遗传算法的1/5,极大地简化了分类器设计的复杂度。     

高精度机械伺服系统的一种新型自适应滑模控制方法

针对高精度机械伺服系统,提出一种高性能的新型自适应滑模控制方法,使闭环系统渐近跟踪给定的参考模型.该方法对转动惯量的大范围变化及非线性摩擦等外干扰均具有很强的鲁棒性.该方法的主要思想是用滑模方法抑制系统中的外部力矩扰动,对系统参数进行自适应估计,用估计值来补偿转动惯量的变化.对于控制算法的全局稳定性,采用李雅普诺夫直接法给出了严格的证明.该算法简单,其实现不需要误差的高阶微分信号,适于实时控制.本文方法以某高精度飞行仿真转台为例,对提出方法进行了实验研究,结果表明了该方法具有良好的跟踪性能,暂态响应和鲁棒性.     

基于K均值聚类和多核SVM的微钙化簇检测

考虑到乳腺微钙化簇样本分布不平衡以及特征的多样性,提出了基于K均值聚类的多核支持向量机.即首先将训练样本聚合成K类,对每类样本加不同的惩罚因子,以平衡样本分布不平衡.其次针对样本特征多样性,将核函数做组合,得到多核支持向量分类器.使用主动反馈学习的方法来得到稳定的训练样本.实验结果表明,本方法与单核SVM及多核SVM相比,检对率至少可以提高两个百分点.     

一种结合区域检测和语义分割的SLAM技术

提出一种结合区域检测和语义分割的即时定位和建图（SLAM）技术，通过引入高精度图像描述子SIFT来实现前端视觉里程计（VO）过程中帧间像素匹配的精度。为了降低引入操作带来的计算复杂度，设计一个实时区域检测算法，在相邻帧间检测大致相似的ROI(Region of Interest)关键区域，使得SIFT描述子的提取和匹配只在ROI区域内完成，其余区域仍旧采用精度略低、效率更高的ORB算子。同时，为了提高后端BA(Bundle Adjustment)的精度，减少累积误差，结合语义图，在原有的基本投影误差函数上添加一个语义误差。该语义图采用实时语义分割算法完成，同时只针对ROI区域进行分割。通过与原SLAM方案对比实验，表明本文提出的方法，在提高一定精度的同时，仍能满足SLAM实时定位和建图的要求。最后，在电力作业场景下验证了该方案的效果。