基于SLIC和马尔科夫随机场的H.264视频对象分割

为了提高H.264压缩域视频对象分割时的鲁棒性和准确性,提出了一种基于简单线性迭代聚类(SLIC)和图割优化的马尔科夫随机场(MRF)运动对象分割算法.算法直接利用从摄像机产生的H.264压缩码流中提取的运动矢量.首先对运动矢量场进行预处理,然后构建基于改进的SLIC分割的马尔科夫模型能量函数,最后利用图割法求解能量函数进而分割出运动对象.在公开的数据集上进行实验表明,与近年来经典压缩域视频对象分割算法相比,上述算法在复杂背景下可以有效提高分割的准确率和F度量,运算速度平均提高约1.85倍.与先进的像素域分割方法相比,运算速度提高了5倍,算法适用于实时性要求较高的视频监控场合,可有效减少数据存储和处理的内存需求.     

一种求解命题公式骨干集的警示传播算法

警示传播WP算法是一类重要的信息传播算法,在命题公式的可满足性判定中非常有效。通过对WP算法的数学原理分析发现,当算法收敛时以高概率固定部分变元的赋值,可以对公式进行化简。基于这样的特征修改WP算法的迭代方程和变元赋值条件,设计了一种求解命题公式骨干集的信息传播算法。当变元数目超过400时,与经典骨干集求解算法对比,效率提高了40%,与目前常用算法对比也有10%的提高。结果表明,所提算法求解命题公式骨干集时非常有效。     

基于扩展功率方程的分布式发电配网的网损分摊数值模拟

大量分布式电源的接入给配电网的运行及控制带来了全新的挑战,在网损分摊计算中存在有功损耗较高、与实际分摊数值相差较大等问题.为此,提出基于扩展功率方程的分布式发电配网的网损分摊数值模拟方法.从支路传输功率模型出发,将节点注入系统内部的功率划分为两部分;其中一部分作为节点向系统传输功率过程中产生的损耗,该部分损耗采用系统网损代表.另一部分为节点,向系统负荷提供功率.在网络变量中加入扩展功率方程,对拓展后的雅克比矩阵进行求逆,实现分布式发电配网的网损分摊计算.采用有限元软件进行数值模拟,将数值模拟结果和实验结果进行对比,实验结果验证了所提方法的有功损耗较低,更贴近实际损耗值.     

基于Apache Spark的地震观测数据噪声功率谱计算

为解决单机环境下海量地震观测数据计算和分析效率低下的问题,提出一种基于分布式架构的地震观测数据的存储、计算和分析处理方法,选择噪声功率谱复杂计算过程的应用场景进行实现.基于Hadoop在海量数据处理上的性能优势,在分布式文件存储系统HDFS上进行地震观测数据的存储和调度,研究测震数据噪声功率谱的质量评估方法在Spark分布式计算架构上的实现,采用弹性数据集Spark RDD将计算任务自动分配到计算节点,解析存储在HDFS中的测震波形数据,计算结果采用RowKey方式放入分布式数据库HBase中,实现了长周期地震噪声功率谱结果的存储和提取.计算结果表明,基于Spark分布式架构的该方法可以支撑TB级海量数据的处理,并且具有较高的处理效率,可应用于海量地震观测数据的分析计算.     

基于IMU与激光雷达紧耦合的混合匹配算法

针对线、面特征匹配的激光雷达测距与地图构建算法(Lightweight and Ground-Optimized Lidar Odometry And Mapping,LeGO-LOAM)在自动导引运输车(Automated Guided Vehicle,AGV)室内室外实时建图与定位时,易出现激光里程计累积误差大和旋转估计不准确等问题,本工作采用惯性测量单元(Inertial Measurement Unit,IMU)与激光雷达紧耦合的LeGO-LOAM算法,通过IMU为激光雷达提供的初始位姿信息,构建IMU与激光雷达联合误差函数,实现位姿共同迭代优化.其中,对于室外结构化信息较少时,在点对点的迭代最近点算法(Iterative Closest Point,ICP)较高定位精度的基础上,结合LeGO-LOAM算法和ICP算法互补性,进一步提出基于IMU与激光雷达紧耦合的混合匹配算法:当环境中结构信息较多时,激光里程计采用LeGO-LOAM算法,而当环境中结构化信息较少时采用ICP算法.实验结果表明,基于IMU与激光雷达紧耦合的混合匹配算法可有效降低激光里程计相对位姿误差和累积误差,提高AGV小车定位精度以消除部分地图重影.     

基于自主学习与SCAD-Net正则化的回归模型

众多基因生物标志物选择方法常因研究样本较少而不能直接用于临床诊断.于是有学者提出整合不同基因表达数据同时保留生物信息完整性的方法.然而,由于存在批量效应,导致直接整合不同基因表达数据可能会增加新的系统误差.针对上述问题,提出一个融合自主学习与SCAD-Net正则化的分析框架.一方面,自主学习方法能够先从低噪声样本中学习出基础模型,然后再通过高噪声样本学习使得模型更加稳健,从而避免批量效应;另一方面,SCAD-Net正则化融合了基因表达数据与基因间的交互信息,可以实现更好的特征选择效果.不同情形下的模拟数据以及在乳腺癌细胞系数据集上的结果表明,基于自主学习与SCAD-Net正则化的回归模型在处理高维复杂网络数据集时具有更好的预测效果.     

基于梯度的重叠式层次社区检测

社区检测(community detection)任务一直是数据挖掘领域的一个研究热点,近年来,深度学习和图链接数据呈现出多样化和复杂化的发展趋势,层次(Hierarchical)社区检测逐渐成为研究的焦点.层次社区检测任务的目标是,在将同质图中相似的节点聚集到社区中的同时,学习社区之间的层次结构关系,以更好的理解图数据结构.社区间层次关系的引入给社区检测算法带来了更复杂的建模挑战.针对该任务,已经有一些有效的启发式的方法被提出,但是受限于社区分布形态的简单假设和离散的优化学习方式,它们无法描述更复杂的图链路数据,也无法和其它有效的连续优化算法组合获得更好的结果.为了解决这个问题,本文首次尝试建模复杂的重叠式(overlapping)层次社区结构,提出简洁的节点嵌入和社区检测双任务优化模型,通过梯度更新的方式来灵活地探索节点和重叠式层次社区的隶属关系.在学习过程中,我们可以分别获得节点和社区的嵌入表示,以应用于丰富的下游任务.     

逆变型分布式发电系统孤岛检测方法的研究

通过研究相位跳变法与电压正反馈法,并以这两种基本检测方法为基础,提出组合式的孤岛检测方法。该方法可以有效发挥相位跳变检测法检测时间短和电压正反馈检测法检测无死区的优点,针对不同负荷类型和功率匹配程度,构建相关的模拟实验,进一步验证新方法的正确性。     

结合因式分解与布尔表达式图的可逆电路综合方法

为降低由布尔表达式图(BED)综合所得可逆电路的成本,提出一种将因式分解与BED表示模型相结合的可逆电路综合方法.给定布尔函数的积之异或和(ESOP)覆盖,首先由ESOP立方体的共享零抑制多输出决策图表示借助代数除法对立方体实施因式分解,并在此基础上构建BED;然后将BED结点映射为可逆门级联.对基准函数的可逆电路综合结果表明,该方法具有较高的时间效率.与现有将有向无环图作为函数表示模型的综合方法相比,该方法在许多情况下能降低综合所得可逆电路的量子成本和量子位数.从平均角度看,与结合变量分组和BED表示模型的综合方法相比,该方法可将量子成本和量子位数分别降低5.01％和5.47％.     

基于改进遗传算法的光伏发电系统功率预测及控制技术分析

在当下社会发展过程中,伴随着化石生物燃料的储量不断降低,使得人们更加关注可再生清洁能源的发展,以此可以使用较为独特的方式,让人们通过清洁能源,推动社会的可持续发展.基于当下清洁能源的使用中,所使用的光伏发电站系统进行功率的预测以及控制技术进行分析,以此可以很好地在日常中运行,实现良好的发电系统管控,避免出现一定的问题,为人们群众提供稳定的电力供应.