图像复杂度描述方法研究

为了更好地对图像的复杂程度进行描述,先从组成论的角度对传统复杂度的描述方法进行了讨论,并将其引入用于描述图像的复杂度,试图找到一种适合于图像的复杂度描述方法。该文首先讨论了组成论中复杂度的计算方法,并分析了其局限和不足;然后在此基础上,针对图像的特殊性提出从灰度级的出现情况、灰度的空间分布情况、目标对象的出现情况等3个方面,借助信息熵、纹理、边缘等相关因子来描述图像的复杂程度;最后,针对不同复杂程度的遥感图像进行了实验。实验结果表明,该描述方法可以反映出图像的整体复杂程度,并可用于不同图像复杂度的定性和定量比较。     

基于遗传-蚁群混合算法的软件测试数据自动生成方法

自动化测试可以有效地提高软件测试效率,降低软件开发成本。测试数据自动生成是自动化测试过程中一个非常重要的环节。以路径覆盖为准则,本文提出一种利用遗传-蚁群混合算法来对程序输入域进行搜索的方法,进而生成满足需要的测试数据。经过实验验证,该算法可以有效地生成满足覆盖准则并且分布多样的测试数据。     

嵌入式机器视觉实时定位与测量的方法

本文提出了一种嵌入式机器视觉实时定位与测量相结合的测控方法。根据视觉测控系统中的定位与测量问题,利用点集、Hough变换和最小二乘等方法,解决了图像处理理论算法运算量大、工业检测实时性与准确性低等问题。测试结果表明,该方法检测工件的准确性高(基于公差),检测时间≤2.0ms/次。     

基于增量学习SVM的人脸识别

为了提高人脸识别率,本文提出了一种增量学习支持矢量机(SVM)人脸识别方法,有效地对SVM的参数进行更新。提出的方法采用高斯概率模型描述SVM的参数统计特征,在无需额外存储训练数据的前提下,采用增量学习SVM的方式实现参数的更新;并通过最小化分类误差准则最大化SVM两类输出值概率分布间的距离。详细的实验以及与现有方法的比较结果表明,提出的识别方法具有更好的识别性能。     

便携式数据采集控制系统的实现及应用

本文提出了一种基于USB的便携式数据采集控制系统,对控制系统的硬件结构、USB控制器与单片机硬件连接、USB数据传输系统的软件设计等方面进行了详细介绍。并应用于试验机测量钢绞线的力学性能,测试结果表明该系统数据传输快,实时性强,可靠性好,测试精度高。     

基于谱直方图与支持向量机的人脸检测

提出了一种基于谱直方图和支持向量机的人脸检测算法。首先使用梯度滤波器、LoG滤波器和LBP算子计算图像的谱直方图,然后使用支持向量机进行分类。经实验表明,算法可以克服光照、姿势、表情、眼镜等干扰,并允许有局部遮挡,具有较强的鲁棒性。     

基于ARM9-Linux的注塑机伺服控制系统

全电动注塑机的控制系统任务繁多且要求实时性强。结合全电动注塑机的工艺特点,提出了以ARM9处理器为核心的全电动注塑机硬件系统,并利用嵌入式操作系统Linux提供的多进程多线程通信机制进行软件设计,从而满足全电动注塑机的各种伺服控制要求。     

基于模糊控制的纸机蒸汽冷凝水控制系统

针对造纸干燥部的工况多变、选用传统控制方式不易控制的情况,设计了一种基于模糊PID算法设计的S7-300控制系统,介绍了理论上和实际组态、编程的实现方法。该系统鲁棒性强,可适应复杂工况,实际应用结果表明该系统算法合理、易实现,控制效果好。     

自动变速器电磁阀占空比及油压采集系统设计

采集自动变速器多路PWM(脉宽调制)电磁阀占空比及油压对分析自动变速器的控制逻辑和策略具有重要意义,以美国阿里森HD4070PR自动变速器为试验平台,设计了自动变速器多路PWM电磁阀占空比和油压的采集系统,系统采用美国NI公司的PCI-6602和PCI-6025E数据采集卡分别采集多路电磁阀占空比及油压,上位机采用工控机,同时设计了信号调理电路,用LabVIEW语言作为开发具。该系统是研究和开发自动变速器的有力工具。     

A rough margin based support vector machine

By introducing the rough set theory into the support vector machine (SVM), a rough margin based SVM (RMSVM) is proposed to deal with the overfitting problem due to outliers. Similar to the classical SVM, the RMSVM searches for the separating hyper-plane that maximizes the rough margin, defined by the lower and upper margin. In this way, more data points are adaptively considered rather than the few extreme value points used in the classical SVM. In addition, different support vectors may have different effects on the learning of the separating hyper-plane depending on their positions in the rough margin. Points in the lower margin have more effects than those in the boundary of the rough margin. From experimental results on six benchmark datasets, the classification accuracy of this algorithm is improved without additional computational expense compared with the classical ν-SVM.