无源传感器对雷达目标指示中触发准则研究

针对多传感器协同跟踪中无源传感器对雷达的目标指示问题进行了深入分析,重点研究了目标的指示交接需求及其触发机制.分析了协同跟踪中的目标指示交接需求,同时依据无源与有源传感器协同特性建立顺序处理结构的多传感器融合跟踪模型.在此基础上,采用协方差控制思想设定无源传感器对雷达的目标指示触发准则.通过仿真对触发准则进行了验证,并讨论了目标指示触发时机的影响因素,确保传感器间的目标指示能够自发进行.     

分块二维局部保持鉴别分析在人脸识别中的应用

局部保持鉴别分析在人脸识别研究中具有非常重要的地位。在此基础上提出的2DLPDA算法直接在二维空间进行运算,一定程度上提高了性能。但是当样本在光照阴影、遮挡等情况下时,识别率受到很大影响,为此提出一种改进的算法,即分块二维局部保持鉴别分析方法。其将样本分块,以更好地提取样本中的局部近邻特征。这样同一样本的不同分块在选择近邻时,就可能具有来自不同样本的近邻,从而能更好地提取样本的局部特征。最后将局部特征整合为整体作为识别的依据。在AR、YALE及ORL库上验证了算法的有效性。     

多通信半径的无线传感器网络DV-Hop定位算法

为了实现无线传感器网络中基于无需测距DV-Hop定位算法的高精度定位,改进基于2、3通信半径的DV-Hop节点定位算法,并利用最小均方差准则改进计算平均每跳距离的公式,在最佳指数值下,修正锚节点平均每跳距离。MATLAB仿真结果表明,改进的算法在随机分布环境能提高节点定位精度;在最佳指数值下,进一步提升节点定位精度;在锚节点人工部署环境下,大大提高节点定位精度。改进的算法实现高精度定位同时,不需要增加网络泛洪次数和硬件成本。     

基于主应力删除准则的ESO法及其应用

为促进渐进结构优化（Evolutionary Structure Optimization,ESO）法在桥梁找型方面的应用,阐述基于主应力删除准则ESO法的基本原理,研究不同M值对优化结果的影响,并建议在应用该法进行拓扑优化时取M≥10.应用基于拉应力占优删除准则的ESO法分析高跨比对缆索支承桥形式的影响,结果表明：当高跨比大于等于1/7时缆索支承桥的最优形式为斜拉桥;当高跨比低于1/7时最优形式为悬索桥.     

基于超熵产生的河型稳定判别式

基于非平衡态热力学理论中的超熵产生研究河型的稳定性,对河型是否有可能转化做出定量判别分析。选择河流系统的广义力和广义流,构造出河流的超熵产生以及超能耗率,根据超能耗率推导出河型稳定判别式。应用该判别式分析了黄河下游5个河段3种不同河型的稳定性,计算结果表明这5个河段的河型是稳定的,近期没有发生河型转化的可能性,与实际情况相符。利用该河型稳定判别式,不仅可判别河型的稳定性,还可以预测河流调整方向,为河流整治工程提供科学依据。     

宁夏节水型载体建设与考核研究

节水型学校是节水型社会建设的重要载体,结合宁夏实际情况,以学校为例提出了节水型学校的建设要求.在用水水平调研及专家、技术人员咨询的基础上,对宁夏节水型学校建设及考核标准进行了研究,制定了包括技术及管理指标在内的定量及定性指标.     

基于AHP和MMTD的呼叫接纳控制方法AM-CAC

提出一种统一的呼叫接纳控制方法。应用层次分析过程(AHP)实现系统建模,根据网络运营目标,对于决策所依据的诸多准则之间的重要性关系进行定性分析和定量描述,从而确定各准则在决策中的影响力;应用中介真值程度度量(MMTD)方法统一量化各影响因素相对各准则的真值程度,通过配置合理参数,来适应异构网络在技术特性、性能目标上的差异。仿真结果表明,文中所提方法对于网络的运营目标和偏好具有很好的适应能力。     

两个新的数字图像加密效果评价准则

图像信息熵和灰度变化平均值是两个常用的图像加密效果评价准则。分析指出,图像信息熵和灰度变化平均值受图像尺寸大小的影响较大,为此提出了两个新的图像加密效果评价准则:直方图均衡度和游程统计量。直方图均衡度可用于基于像素灰度值变换的加密过程的评价,游程统计量可用于图像坐标置换的加密过程的评价。新方法表达简单,计算便捷,其显著优点是与图像大小无关,不需要借助原图像。     

自适应模糊支持向量机算法研究

一个有效的核方法通常取决于选择一个合适的核函数。目前研究核方法的热点是从数据中自动地进行核学习。提出基于最优分类标准的核学习方法,这个标准类似于线性鉴别分析和核Fisher判别式。并把此算法应用于模糊支持向量机多类分类器设计上,在ORL人脸数据集和Iris数据集上的实验验证了该算法的可行性。     

Semi-parametric nonlinear regression and transformation using functional networks

Functional networks are used to solve some nonlinear regression problems. One particular problem is how to find the optimal transformations of the response and/or the explanatory variables and obtain the best possible functional relation between the response and predictor variables. After a brief introduction to functional networks, two specific transformation models based on functional networks are proposed. Unlike in neural networks, where the selection of the network topology is arbitrary, the selection of the initial topology of a functional network is problem driven. This important feature of functional networks is illustrated for each of the two proposed models. An equivalent, but simpler network may be obtained from the initial topology using functional equations. The resultant model is then checked for uniqueness of representation. When the functions specified by the transformations are unknown in form, families of linear independent functions are used as approximations. Two different parametric criteria are used for learning these functions: the constrained least squares and the maximum canonical correlation. Model selection criteria are used to avoid the problem of overfitting. Finally, performance of the proposed method are assessed and compared to other methods using a simulation study as well as several real-life data.