低压配电网三次谐波电流的检测与分析

随着低压配电网非线性负荷的增加,各相线非线性负荷产生的三次谐波电流在中线中叠加,使得中性线中电流大幅提升,从而影响了整个供电系统的电能质量和安全。通过对石家庄某居民小区进行实际检测,分析三次谐波电流对电网电能质量的影响,并对串联型三次谐波滤波器对已击穿设备的影响进行分析。得出三次谐波电流主要影响电流畸变和低压配电网的畸变功率。     

基于模型缩聚的θ指标损伤识别方法

为实现大型三维空间结构的损伤检测,提出了一种基于模型缩聚技术的检测方法。该方法利用有限数量的加速度传感器,得到大型三维桁架结构的自振频率和模态振型,以完成损伤的识别。数值仿真结果表明：该方法在损伤的定位识别和定量识别上能达到预期的适用性和可靠性。     

激光辅助智能车障碍物探测方法研究

在智能车视觉导航系统中,为了能够快速精确地探测到智能车前方障碍物,并恢复出障碍物表面的三维信息,提出了一种基于激光辅助的主动探测方法.该方法首先用激光发射器向空间障碍物发射多线激光光条,然后用摄像机观测图像中光条的扭曲,线条断开的位置经过一定的三角几何计算就给出障碍物的尺寸信息.实验结果表明,该方法能够快速准确地探测到障碍物并恢复出其表面三维信息,具有很强的鲁棒性.     

总发射功率约束条件下分布式相干检测融合

针对传感器融合系统总发射功率约束条件下的相干检测融合问题,利用偏移系数极大化理论优化系统检测性能.建立了基于多址接入信道传输的多传感器分布式相干检测融合模型,根据融合中心对信道增益信息的获取程度,提出了信道增益信息完美已知时的总发射功率约束相干检测融合方法(TPC-DCM方法)和信道增益统计信息已知时的总发射功率约束相干检测融合方法(TPC-DCM-CS方法),上述两种方法分别将总发射功率约束分布式检测融合问题转化为一个秩为1的最大特征值问题,获得了最优加权乘性系数的闭合解.蒙特卡洛仿真试验表明:在低虚警概率条件下,当信噪比大于等于0dB时,文中提出的方法的性能优于传统的基于并行网络拓扑结构的最优似然比方法.     

融合多数据源的蛋白质功能模块的挖掘算法

针对蛋白质相互作用(protein-protein interaction,PPI)网络的信息不完善和高噪声问题,提出一种融合多生物数据的二分图聚类集成方法以检测网络中的功能模块.该方法结合了基因本体论(gene ontology,GO)、基因表达谱数据以及多种基础聚类算法,用一种新的二分图来组织多种基础聚类算法的中间结果,并结合对称非负矩阵分解(non-negative matrix factorization,NMF)算法挖掘其中功能意义上最一致蛋白质功能模块,同时,该算法能处理蛋白质功能重叠问题.实验结果表明:所提算法整体优于基准比较方法,是一种融合多种生物信息源和不同的聚类方法的有效途径.     

基于贝叶斯框架的显著目标检测

图像和视频显著性检测在计算机视觉领域引起了极大的关注,广泛应用于物体分割、可疑物检测、图像检索等领域,在贝叶斯框架下,将人类视觉注意力理论中Bottom-Up模式被动感知与Top-Down模式主动检测按照时间先后顺序结合在一起,并结合像素的"Center-Surround"模型和核密度估计,提出一种能由粗到精逐步感知和获取视场中视觉显著性目标位置及尺度的实时显著目标检测算法,称其为基于贝叶斯框架的显著目标检测.通过在微软MSRA数据集上进行ROC和Precision-Recall测试,证明该算法取得比目前经典算法更好的效果.     

多层激光雷达在无人驾驶车中的环境感知

为了使无人驾驶车获得可行驶区域和障碍物信息,通过分析大量激光雷达扫描点数据,总结并得出路沿数据点独有的特征,提出一种基于路沿数据点特征和多层融合技术的路沿检测算法.应用Dezert-Smarandache理论(Dezert-Smarandache theory,DSm T)对无人驾驶车前方道路环境建立栅格地图,并利用证据理论中的冲突系数检测动态障碍物.最后,采用膨胀算法、侵蚀算法和改进的八邻域区域标记算法对动态障碍物进行聚类和信息提取.实车实验结果表明:本算法可稳定、准确地感知无人驾驶车周围环境信息.     

基于D-Markov模型的金融波动模式识别

将小波变换与符号时间序列分析相结合,引入工程领域的D-Markov模型,提出了一种用于金融波动变化模式识别和异常检测的方法。波动序列经过离散小波变换,产生小波系数序列,将小波系数序列符号化产生符号时间序列,建立符号时间序列的D-Markov模型,并求状态转移概率矩阵,计算各状态转移概率矩阵的状态概率向量与标准状态转移概率矩阵的状态概率向量之间的欧拉距离,从而得到异常度。基于得到的异常度识别金融波动变化模式,检测异常波动的发生。以上证综指的5分钟序列为样本实证分析,对该方法的可行性和有效性进行了验证。     

元胞驻留视频群体状态预报方法

视频场景人群状态预报是防止公共场所安全事故的一种重要措施．为此提出了一种视频场景群体状态预报模型．该模型使用格内驻留元胞自动机(inner-grid parking cellular automata, IPCA)模型预报视频中群体状态．首先,通过光流法进行运动跟踪作为IPCA的输入特征对场景进行建模,并根据特征点的运动状态自适应地调整其在元胞格内的驻留时间以提高预报精度;其次,通过分析IPCA模型的预测结果判断群体微团间的相互作用得到视频帧的状态信息,从而达到对场景中人群状态进行预报的目的;最后,利用当前场景的状态信息对该场景的预报输出进行反馈校正,使模型能够及时地反映场景中群体状态的变化,该模型不依赖于具体的视频帧,以微团结构的碰撞作为异常检测依据．实验结果表明,与传统的检测方法相比,该预报模型能够提前预报视频场景中的异常状态,并具有较好的准确性．