运动目标检测与跟踪的DSP实现

研究了运动目标检测与跟踪的DSP（DigitalSignalProcessor）实现算法,以形心跟踪算法为整个处理系统的核心。采用目标形心跟踪算法,通过目标分割阶段的目标标记,如目标面积、周长、形心位置等信息的提取建立目标跟踪波门,实现目标的连续跟踪,并将此算法移植到sEED—VPM642硬件平台,实验结果表明能够达到预定目标。此外,为了克服形心算法的准确性和实时性缺陷,采用粒子滤波对算法进行必要的扩展,从MATLAB的仿真结果看,除个别采样点存在误差较大的情况,真实值曲线与粒子滤波跟踪曲线拟合较好。     

基于滚动时域优化的机场起降动态调度

为了减少作战时军用飞机实际起降时刻与计划起降时刻产生的偏差,提出一种基于滚动时域优化原理的动态机场起降调度策略,分析军用飞机起降过程中的时间窗口约束和尾流间隔约束。对进入每个预测窗口内的飞机队列,以加权提前/延误时间和最小作为目标函数,将军用飞机起降调度模型转换为带到达时间的单机加权E/T调度模型。设计一种针对自然数域的离散粒子群算法,并应用该算法进行模型求解。通过仿真实验确定了算法的参数,仿真结果说明了模型和算法的有效性。     

基于AUPF的TDOA几何定位跟踪算法研究

使用无源时差（TDOA）定位技术确定无人机等小型辐射源目标的位置是当前研究的热点,针对时差定位算法较为复杂的实际情况,推导了时差双曲线的几何解,并提出了一种基于自适应无迹粒子滤波（AUPF）技术的移动目标定位跟踪方法。通过仿真对该方法在不同场景的应用效果进行了验证,进一步比较分析了算法的定位精度。结果表明,基于自适应无迹粒子滤波的时差几何定位跟踪算法可以在多种情况下较好地拟合出目标真实运动轨迹,实现对运动目标的定位跟踪,同时拥有更低的定位误差和更高的轨迹包容度,使用该方法可以显著提高对非合作移动辐射源目标的位置估计性能。     

Booklet突破想象的纳米粒子智能手机

现在研发人员使用了一种你绝对想不到的原材料来制作智能手机——纳米粒子！就是这些在生物医药、光学和电子领域发挥了巨大革命性作用的,微小的,接近于无形的物体。设计师II Shat Garipov看到了应用纳米粒子的广阔前景,于是动笔把这一款叫做Booklet的智能手机设计了出来。这是一款革命性产品,通过将制作手机的原料从传统的硅换成了纳米粒子,使得我们可以像翻书一样使用智能手机,非常奇妙。     

基于CdTe／CdS量子点与金纳米粒子的荧光共振能量转移测定三聚氰胺

量子点具有良好的光学性能和高的光致发光量子产率,已广泛应用于生物分析。该文利用金纳米粒子（AuNPs）与CdTe／CdS量子点相互作用,发生荧光共振能量转移（FRET）而猝灭Cdrre／CdS量子点的荧光．加入三聚氰胺后使量子点的荧光恢复这一现象,建立了一种基于CdTe／CdS量子点与AuNPs的FRET测定三聚氰胺的高灵敏方法。     

复杂环境下的井下人员定位算法及仿真研究

研究井下人员准确定位问题,矿井环境十分复杂,受到大量噪声干扰,传统方法难以实现精确定位.为提高煤矿并下人员定位精度,将接收信号强度(RSSI)和混沌粒子群相算法结合,提出了一种改进RSSI的井下人员定位方法.算法首先根据接收信号强度初步确定井下人员与锚节点距离,然后采用最小二乘法对井下人员位置进行估计,并利用混沌粒子群对位置进行优化,进一步提高了定位精确度.结果表明,相对其它定位算法,改进RSSI算法提高了井下人员定位精度,非常适用于复杂环境下的井下人员定位.     

基于免疫粒子群算法的多星观测调度研究

多星观测调度是一个复杂的组合优化问题,且为NP难题.目前常用解决方法是采用智能搜索算法在搜索空间寻找近似最优解.针对上述问题,首先探讨了国内外成像侦察卫星调度算法的研究现状,然后阐述了传统微粒子群优化算法与免疫粒子群优化算法的特点,并对带有多个时间窗口约束的多星观测问题建立了数学模型.在此基础上,提出一种用于解决多星观测调度问题的免疫粒子群算法.实验结果表明,免疫算法收敛速度快,可以很好地逼近精确解,并具有较强的搜索能力.     

PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

基于群智能混合算法的物流配送路径研究

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了一种双种群蚁群算法,在蚁群的基础上引入差分进化(DE)和粒子群算法(PSO)。通过在PSOAS种群和DEAS种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以免某一方因错误的信息判断而陷入局部最优点。通过matlab仿真实验测试,表明该群智能混合算法可以较好地解决TSP的问题。     

基于种群多样性的自适应PSO算法求解VRPSPD问题

为有效求解逆向物流车辆路径(VRPSPD)模型,本文提出一种基于种群多样性的自适应PSO算法(SDAPSO)。在SDAPSO运行时,根据种群多样性,自适应地对种群中运行较差的粒子进行扰动操作,提升这些粒子向最优解收敛的能力;同时,对全局最优粒子进行概率扰动,以增加种群的多样性。标准检测函数的仿真结果表明SDAPSO算法是对基本PSO算法的有效改进。在对VRPSPD模型求解中,通过与其它粒子群算法相比,表明SDAPSO是求解该类问题的一种有效方法。