板料双向加压液压胀形数值模拟

应用商用有限元软件ANSYS/LS-DYNA,对板料的双向加压液压胀形过程进行了数值模拟.并利用韧性断裂准则作为胀形高度极限的判断依据,将模拟得到的必要数据代入到准则中.对两种材料、不同初始液体压力条件下的模拟结果表明,随着初始液体压力的升高,胀形的极限高度也相应的增加,当初始压力与板料的强度相当时,极限高度提高的更明显.     

大变形零件温挤压凹模型孔设计技巧

对大变形程度、圆坯正挤压出两种变截面挤压方式进行了工艺和质量对比，在凹模型孔形式上采用了双锥角模口导流方式，第一次提出了在挤压初始阶段，利用双锥角形成大的材料初始流速和流动惯性来克服流动前期变形抗力峰值以达到模口材料周边匀速流动目的的理论。     

大凌河流域初始水权分配研究

文章结合流域实际情况论述了初始水权的内涵以及水权分配的目的、指导思想、原则和依据,阐述基本需求水权、经济水权、生态环境水权及政府预留水权的确定方法。     

基于网格和图论的初始聚类中心确定算法

针对传统K-means算法随机选取初始聚类中心,易造成准则函数收敛速度慢、聚类结果陷入局部最优等问题,提出一种基于网格和图论的初始聚类中心确定算法。该算法将数据空间网格化,通过在网格单元上形成树的连通分支来选取初始中心点。采用模拟和真实数据集对该算法选取的初始中心进行测试,实验结果表明,改进后的K-means算法在降低时间复杂度、减少迭代次数以及提高聚类精度方面都取到了较好的效果。     

基于FAST和BRIEF的图像匹配算法

针对图像匹配算法中匹配率不高以及运算速度较慢等问题,采用改进的FAST （加速分割测试特征）和BRIEF （二进制稳健基元独立特征）算法对图像进行匹配。使用FAST算法提取图像特征点,简化测试模板以提高检测速度;以提取的特征点为中心,使用强度质心方法计算图像块的主方向,根据主方向旋转BRIEF描述器,使其具备旋转不变性;使用易于计算的汉明距离度量各描述器的相似度,据此进行匹配特征。通过和其余算法进行对比实验,验证了该算法在保持高匹配率的同时,降低了计算复杂性。     

一种质心与DV-Hop算法相结合的WSN节点定位算法

介绍无线传感器网络中质心算法与DV-Hop算法的定位原理、误差来源。针对已有算法在算法计算量过大、未知节点到信标节点距离计算存在误差等不足之处提出改进算法。改进算法不但修正了网络中节点的平均每跳距离,还在保证定位精度的前提下有效减少了算法的计算量。仿真结果表明,质心算法与DV-Hop算法结合的这种新型算法在定位精度方面较原有算法和已有改进算法均有所提高。     

CCD噪声模型在几何最优线性姿态估计中的应用

星敏感器噪声主要来源于CCD图像传感器和控制与数据处理电路,这些噪声对姿态估计精度的影响不容忽视.在研究了CCD图像传感器中光子散粒噪声、暗电流噪声、电荷转移噪声及读出噪声四种主要噪声的基础上,分析了它们对亚像元质心法提取精度的影响.根据亚像元质心法提取结果,采用几何解析的最优线性姿态估计(OLAE)方法解算卫星姿态.仿真结果表明:考虑星敏感器噪声模型比单纯引入高斯白噪声具有更高的姿态估计精度.     

基于次锚节点的无线传感器网络改进加权质心定位算法

针对加权质心定位算法（ WCLA）对锚节点数量要求较高和定位精度较低的缺陷,提出一种基于次锚节点的改进加权质心定位算法（ IWCLA-SAN）。该算法在加权因子中引入修正系数,以提高定位精度;同时,将基于粒子群优化（ PSO）的定位算法的未知节点升级为次锚节点,在锚节点数量有限的情况下,以提高定位精度和定位覆盖率。仿真结果表明：该算法能有效提高定位精度和定位覆盖率。     

无线传感器网络中APIT-HR定位算法

针对无线传感器网络(WSNs)中近似四面体内点(APIT)质心定位算法计算复杂度高、定位精度差的问题,提出一种基于RSSI值折半的APIT (APIT-HR)质心定位算法.该算法以未知节点与三角形中的两个锚节点同时感知第三个锚节点的RSSI值进行比较并确定未知节点的存在区域,再以该区域质心作为定位结果.以面积规则和圆交域质心法改善APIT算法中存在的一些缺陷.仿真实验表明:相对于原始的APIT质心定位算法,APIT-HR算法降低了计算复杂度,提高了定位覆盖率和定位精度,定位误差缩小了22.8％.     

彩色图像分割的FCM初始化方法

针对传统模糊C-均值聚类方法所存在的过度依赖初始聚类中心、计算复杂度高等问题,提出一种新的FCM初始化方法.首先,使用维纳滤波分别对图像的R、G、B分量进行预处理,待转换为LAB色彩空间后,通过二次分水岭方法获取图像的封闭区域,并计算各区域的质心;其次,利用自适应无监督的方法对质心进行筛选和合并,将合并结果作为FCM的初始聚类中心;最后,使用FCM方法进行分割.实验结果表明,该方法不仅能够获得较准确的聚类中心,减少了迭代次数和运算时间,而且能够更好地实现图像的准确分割.