一种基于局部加权回归的分类方法

分类是数据挖掘和数据分析中最有应用价值的技术之一。传统的积极学习方法需要预先对模型空间进行假设,并且没有充分考虑到实例之间的相关性,其泛化能力将会受到一定程度的影响。针对上述问题,提出了一种基于新型映射关系的局部加权回归方法 MLWR。该算法首先找出测试样本在训练集中的近邻样本,然后建立测试样本和近邻样本的回归函数,根据建立的回归模型和近邻样本的标签,计算得到测试样本的标签。实验与当前流行的多种分类方法在UCI的9个数据集上进行测试。实验结果表明我们的方法能有效地提高分类精度,对较大样本数据也有较好的适用性。     

μC/OS-Ⅱ在LH7A400嵌入式微处理器上的移植

随着嵌入式系统硬件技术和软件技术的发展以及人们对测控系统功能要求的不断提高,把实时嵌入式操作系统和32嵌入式微处理器应用到测控系统中已经成为了测控系统发展的趋势和迫切需要,与此同时,ARM体系结构和μC/OS-Ⅱ因它们各自的优势已经成为了嵌入式系统应用的研究热点.把占先式、多任务、实时嵌入式操作系统μC/OS-Ⅱ和基于ARM9内核的嵌入式微处理器LH7A400应用于嵌入式测控系统开发平台中,μC/OS-Ⅱ(v2.52)在LH7A400微处理器上的移植原理和移植过程具有重要的意义和广泛的借鉴价值.研发中采用的开发工具为ADS vl.2和ARM Muhi-ICE v2.2,移植后的代码已在源代码调试器AXD上通过功能测试.     

基于强化学习的进化神经网络及其在机器人导航中的应用

神经网络的拓扑结构对网络的有效性起着十分重要的作用,网络建模中的主要困难就是如何有效地控制网络模型的结构进化趋势和复杂度.提出一种基于强化学习的进化神经网络(RL-EANN),采用强化学习方法对网络进化群体与外界环境交互的效果进行评价,使其无需任何先验知识即可进行学习进化,通过强化信号的约束来控制网络群体的拓扑结构进化趋势.并在移动机器人避障导航仿真实验中证明,采用RL-EANN能使仿真机器人在不确定环境中快速有效地学习避障和接近目标,取得较好的导航效果,实践证明该方法的合理性和有效性.     

基于嵌入式系统的双屏兼容显示设计

提出了一种基于嵌入式系统的双屏兼容显示设计方案.以一款单色STN-LCD、一款TFT-LCD和LPC2478芯片为例进行了介绍,完成了两款液晶显示屏与LPC2478硬件接口电路的设计,并详细阐述了双屏兼容下GUI程序设计的总体框架以及编程的一些细节.最后对设计进行测试和分析,结果表明此方法可以完整显示相关信息,并具有一...     

基于轻量级CNN与主动学习的工件疵病识别方法研究

应用图像识别技术实现工件疵病自动检测可以提高效率,降低人工成本。卷积神经网络(CNN)具有很强的特征提取能力,广泛应用于图像识别等领域。但是,已提出的网络模型普遍存在参数量和计算量巨大,以及海量工件数据集中、人工标注成本高等缺点,很难应用于工件疵病的实时自动识别。本文提出了一种基于轻量级CNN与主动学习的工件疵病识别方法,该方法通过深度可分离卷积和反转残差卷积构建一种轻量级卷积神经网络,并在识别过程中采用主动学习方法不断添加标注样本。实验表明,提出的方法识别精度达到98.3%,并且能节省18.8%的人力标注成本。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

二级系统中通讯控制的实现

本文介绍在二级计算机系统中,以8031单片机为核心,利用Maxim公司生产的Max232和Max487构成中控站实现和主机及下位机的通讯.的硬件、软件实现方法.     

基于Mask RCNN的滤袋开口检测方法

滤袋开口的检测与定位在滤袋智能生产过程中占据着至关重要的地位。但由于滤袋具有柔性的特点,常规检测方法很难有效进行,且定位精度也不能满足生产要求。本文提出一种结合可变形卷积与掩码信息的多尺度目标检测器,该检测器使用可变形卷积改进主干网络高层中的固定卷积,结合特征金字塔技术实现多尺度信息融合。然后将所得多尺度信息通过区域提议网络生成候选区域,采用改进的Soft-NMS方法进行筛选,最终送入检测头进行识别与分割。本文在滤袋图像数据集上进行了实验。结果表明,提出的算法实现了滤袋开口的准确识别与高精度定位。     

A life-prediction method for lithium-ion batteries based on a fusion model and an attention mechanism

The current life-prediction models for lithium-ion batteries have several problems, such as the construction of complex feature structures, a high number of feature dimensions, and inaccurate prediction results. To overcome these problems, this paper proposes a deep-learning model combining an autoencoder network and a long short-term memory network. First, this model applies the characteristics of the autoencoder to reduce the dimensionality of the high-dimensional features extracted from the battery data set and realize the fusion of complex time-domain features, which overcomes the problems of redundant model information and low computational efficiency. This model then uses a long short-term memory network that is sensitive to time-series data to solve the long-path dependence problem in the prediction of battery life. Lastly, the attention mechanism is used to give greater weight to features that have a greater impact on the target value, which enhances the learning effect of the model on the long input sequence. To verify the efficacy of the proposed model, this paper uses NASA''s lithium-ion battery cycle life data set.     

基于模糊聚类规则的图像去雾方法研究

有雾图像的复原问题已经成为了机器视觉领域研究的热点。在传统图像复原理论的基础上,提出一种新的基于模糊聚类规则图像去雾方法,用于恢复被雾影响的降质图像。利用模糊聚类的方法对有雾图像进行预处理,从而获取图像复原过程中的透射率参数。为获取有效的景深信息,将透射率图像与提取到的图像饱和度效果图通过多尺度金字塔细化策略进行有效融合,从而获得图像景深信息。最后,通过提取到的透射率和景深信息实现图像的复原。对比实验效果显示,提出的图像去雾算法能够有效去除图像中的雾信息,同时算法的计算速度相对较快。