均值漂移算法中的目标模型更新方法研究

均值漂移(Mean shift)是一种鲁棒的快速模式匹配算法, 但该算法框架下现有的整体模型更新策略不足以对场景中目标外观变化、遮挡等情况进行有效处理. 为此, 本文提出了一种Mean shift框架下的选择性子模型更新策略, 将特征模型中的每个分量作为单独个体, 基于每个分量的匹配贡献度, 分别选择当前帧中需要更新的子模型分量及其更新权值. 实验结果表明本文算法具有比整体模型更新策略更好的跟踪鲁棒性.     

改进的FCM聚类在交通时段自动划分中的应用

针对传统交通时段划分方法的局限性,提出了一种混合蛙跳算法(SFLA)与模糊C均值算法(FCM)有机结合的交通时段划分方法SFLA-FCM。SFLA是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程,有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。实验结果表明,与单一FCM法相比,SFLA-FCM聚类更准确,效果更佳,对解决城市交通时段的自动划分问题是可行、有效的。     

车用自组网信息广播

车用自组网作为移动自组网在智能交通系统中的应用,有望为人们提供更安全、效率更高的旅行方式.广播协议为危险警告、协同驾驶、路况通报等交通信息的发布提供了有效途径.简要介绍了车用自组网的特点和应用分类.采用分析和比较方法,讨论各种信息广播协议的特点、性能差异和应用范围,并针对车用自组网的特点及应用需求指出未来信息广播模型的设计思想和突破方向.     

某型号航天产品漏电故障诊断方法

针对某型号航天产品发射系统漏电故障诊断的特殊性,利用专家知识建立案例知识库,应用图论知识建立某型号航天产品漏电故障诊断图论模型,在此基础上生成树,并根据信息熵理论,提出"二分法"诊断思想,进行故障部件的定位,最后把成功诊断实例添加到案例知识库中;同时设计案例推理模块,通过人机交互模块达到案例推理和图论模型诊断方法的融合,使故障的定位更快速、精确.     

基于Log-Gabor小波变换和证据推理的车型识别*

针对车型识别问题,提出了一种基于特征车的车型识别方法——基于Log-Gabor小波变换和DS证据推理的车型识别算法。该算法先对特殊车辆图像进行多分辨率的Log-Gabor小波变换,最后形成车辆Log-Gabor特征。将1-a-1多分类SVM应用于基本概率分配函数的确定,使用证据推理的方法得到车型识别的结果。实验结果表明该方法是有效、可行的。     

基于组件式GIS的交通诱导和拥堵预警系统开发

提出了基于组件式GIS开发交通诱导和拥堵预警系统的设计思想与实现方法,采用面向对象的可视化编程技术VC,将地图控件MapX嵌入其中,实现了电子地图的常规功能、交通信息维护、路径诱导及拥堵预警等功能.为验证系统性能,以重庆市渝中半岛电子地图为例进行仿真实验,结果表明,该方法可以高效地开发地理信息系统,系统的各项功能可得以比较好地实现,对城市交通管理起到辅助决策的作用.     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于Boosting的智能车辆多类障碍物识别

提出一种基于Boosting集成学习的二叉树支持向量机（BBT-SVM）。根据城区交通环境中各类障碍物的出现概率、模式间的类间差异,设计适用于智能车辆障碍物识别的SVM树型结构。对每个节点SVM分类器采用Boosting集成学习方法进行改进,减少差错积累误差,提高分类精度和泛化能力。实验结果表明,该方法能有效地对城区交通场景中6类常规障碍物模式进行实时在线识别。     

某型号航天产品设备漏电故障诊断研究

提出了基于图论模型的最小路集的某型号航天产品漏电故障诊断问题的求解方法。从系统的角度分析了某型号航天产品控制系统漏电故障诊断的特殊性,应用图论知识,用图中的点代表部件,边代表部件之间的故障传播关系,将系统模型化为图。在此基础上,根据信息论的原理给出了诊断算法的设计原则——对分原则。通过分析实际操作的可行性和熵函数的特点,采用部件权值代替部件信息熵的方法。     

基于模糊神经网络的信息融合技术研究

针对信息融合技术中目标融合识别的问题,根据人工神经网络和模糊系统的各自特点,形成一种模糊神经网络模型。首先将模糊系统用神经网络的结构表示,并采用相应的学习算法训练模糊神经网络实现模糊推理功能。最后对模糊神经网络模型进行仿真实验和结果分析。