基于模糊聚类的半自动跟踪技术研究

现有半自动跟踪系统将操作员等效为准线性环节,增大了训练的难度和成本,不适应复杂战场环境下多个快速机动目标的选取和跟踪.利用特征提取方法得到视场的“潜在目标”集,引入模糊聚类方法,通过对操作响应进行分类,建立操控意图与目标运动特征之间的关系模型.通过充分的仿真试验,对比研究了跟踪平稳性、快速性、准确性等指标,结果说明该方法能够有效提升整体跟踪性能.     

混合先验与加权引导滤波的图像去雾算法

目的 图像去雾是降低雾、霾、沙等低能见度成像环境对图像的退化影响,提高图像信息获取质量的过程。为了消除先验盲区,同时进一步提高去雾图像边缘细节的清晰度,提出一种混合先验与加权引导滤波的图像去雾算法。方法 首先改进大气光值估计方法,提高大气光值估计的准确性。然后利用混合先验理论求取双约束区域的大气透射率,一定程度上消除了先验盲区,提高了去雾算法的鲁棒性。最后利用加权引导滤波算法优化透射率图,提高了图像边缘细节的清晰度。结果 本文以通用去雾测试图像和小型无人机拍摄的雾天图像作为实验对象,通过对比分析4种组合步骤算法的复原效果,验证本文各步骤改进方法的合理性与整体算法的优越性。实验结果表明：混合先验理论改善了暗原色先验在明亮区域的失真现象和颜色衰减先验对浓雾处理上的不足,取得了较好的视觉效果;加权引导滤波改善了图像边缘模糊的现象,使复原后的图像边缘细节更加清晰;相较传统算法,本文算法视觉效果更好,去雾图像边缘细节更加明显,综合评价指标均值提升幅度较大。结论 针对有雾图像复原,通过理论分析和实验验证,说明了本文各步骤的改进具有一定的优越性,所提的算法具有较强的鲁棒性。     

基于云自适应差分和BP神经网络的板形动态影响矩阵控制方法

为了克服传统板形控制中产品质量差、控制速度慢、生成效率低,以及静态影响矩阵控制信息不足等缺点,将云自适应差分算法(CADE)优化的BP神经网络应用到板形控制中,建立板形预测神经网络,并在离线状态下,根据板形轧制的历史数据和板形调控机构中的关键影响因素建立动态影响矩阵表。在线轧制过程中只需要与板形控制关键影响因素对应的动态影响矩阵表和板形识别变化量,就可以很快得到主要板形控制手段的控制量。该方法避免了神经网络的在线训练,提高了板形的控制速度和轧制精度。仿真实验表明,该方法稳定性好,控制精度高,适合用于板形的在线控制。     

混合编码和声搜索算法在动态优化中的应用

采用混合双重编码方法,提出一种混合编码二进制和声搜索算法HBHSA,用以求解动态位匹配问题和时变背包问题。仿真结果表明,与DS_BPSO、HBDE和PDGA算法相比,HBHSA具有更好的鲁棒性和通用性,在动态环境中的搜索能力和对最优解的跟踪能力更优。     

基于WS-BPEL 的Web 服务组合技术

随着Web服务技术的不断发展,越来越多的Web服务已经发布在互联网上。然而独立的Web服务功能通常有限,不能满足用户或企业实际应用的需求。因此,Web服务的组合显得越来越重要。介绍了Web服务组合和WS-BPEL的相关知识,使用最新的业务流程执行语言WS-BPEL描述业务流程,在J2EE集成开发环境下设计并实现了基于业务流程思想的贷款审批应用实例,在Web服务执行引擎Active BPEL上进行部署,对Web服务进行了有效的组合。     

电容层析成像系统传感器仿真研究

ECT技术是多相流检测领域中的一项新技术,主要用于识别一个封闭管道内两相流/多相流系统中各个相成分分布问题。采用一种新的方法,通过电磁场有限元仿真软件COMSOL,对电容层析成像系统进行图像重建与仿真研究。构建了ECT的不同电极模型,分别对四种典型流型进行了图像重建;通过对离散介质场域的仿真研究,分析了电极数目、屏蔽罩、径向电极对重建图像质量的影响;对气液固三相流进行了图像重建,获得了满意的重建结果。     

结构化道路车道线快速检测的一种改进算法

基于视觉导航的高速智能车,提出一种改进的道路快速检测算法。用改进的水平均值投影法划分道路和背景区域,结合边缘检测算子和最大类间方差法(大津算法),构成双阈值法对道路区域图像进行二值化处理,利用先验知识改进的霍夫变换,在路面存在阴影和噪声干扰的条件下,能准确地检测车道标识线;对动态预测划分感兴趣区域,采用菱形搜索法进行车道线跟踪,融合初始检测和后续跟踪两层算法循环处理道路图像序列。实车试验表明,算法具有良好的实时性和鲁棒性,满足智能车高速行驶要求。     

基于链接模型的主动半监督社区发现方法

链接模型可对网络的社区发现问题建模,相比具有相同目标的对称模型和条件模型,PPL模型处理网络类型更多、社区发现准确率更高。但PPL模型是一个无监督模型,在网络社区结构不清晰时效果不佳,且不能利用易获取的先验信息。为使用尽可能少的先验,获得社区发现链接模型性能较大的提升,提出了一个主动节点先验学习（ANPL）算法,该算法主动选择效用高、易标记的成对约束进行标记,基于标记的约束对自动生成信息量更大的标记节点集合。基于PPL模型设计了一个融合网络拓扑结构和标记节点先验的半监督社区发现（SPPL）模型,并给出模型用于半监督社区发现的参数估计算法。人工网络和实际网络上的实验结果表明,利用ANPL获得的标记节点先验和网络拓扑结构,SPPL模型的社区发现准确率高于无监督PPL模型及当前流行的基于非负矩阵分解（NMF）的半监督社区发现模型。     

Worst-case performance analysis of SDF-based parameterized dataflow

Dynamic dataflow models of computation (MoCs) have been introduced to provide designers with sufficient expressive power to capture increasing levels of dynamism in present-day streaming applications. Among dynamic dataflow MoCs, parameterized dataflow MoCs hold an important place. This is due to the fact that they allow for a compact representation of fine-grained data-dependent dynamics inherent to many present-day streaming applications.However, these models have been primarily analyzed for functional behavior and correctness, while the (parametric) analysis of their temporal behavior has attracted less attention.In this work, we (in a parametric fashion) analyze worst-case performance metrics (throughput and latency) of an important class of parameterized dataflow MoCs based on synchronous dataflow (SDF). We refer to such models as SDF-based parameterized dataflow (SDF-PDF). We show that parametric analysis in many cases allows to derive tighter conservative worst-case throughput and latency guarantees than the existing (nonparametric) techniques that rely on the creation of “worst-case SDF abstractions” of original parameterized specifications. Furthermore, we discuss how by using parametric analysis we can help address the scalability issues of enumerative analysis techniques.To achieve this, we first introduce the Max-plus algebraic semantics of SDF-PDF. Thereafter, we model run-time adaptation of parameters using the theory of Max-plus automata. Finally, we show how to derive the worst-case performance metrics from the resulting Max-plus automaton structure.We evaluate our approach on a representative case study from the multimedia domain.