基于改进变邻域搜索算法的多批次协同任务规划

目的 对多批次协同任务进行分析与建模,并研究任务规划的求解算法。方法 以车载装备多批次协同执行任务为例,综合考虑时间协同、任务区域协同和补给区域协同约束,以暴露时间最短为目标函数建立模型,并提出一种改进变邻域搜索算法进行求解,该方法根据邻域的优化能力自动调整迭代时选择该邻域的概率。结果 仿真结果表明,改进策略在不降低最优解质量的情况下,能够避免标准变邻域搜索算法后期易出现某些邻域长时间无法寻找到最优解的情况,有效提高了算法的效率。结论 变邻域搜索算法可以解决多批次任务规划问题,改进后的算法减少了后期对优化能力不强的邻域的搜索次数,有效提升了算法效率。     

一种基于降维密度聚类的船舶异常轨迹识别方法

目的 有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法 针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果 以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9 048、0.9 534、0.8 218、0.6 627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论 研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。     

小波阈值降噪算法中最优分解层数的自适应选择

小波阚值降噪算法是一种去除数字信号中白噪声的有效算法．针对加性高斯白噪声的情况,提出一种自适应小波降噪算法,用于语音信号的增强．它能根据带噪信号的特点,自适应选择小波变换的最优分解层数．实验结果表明,该算法比经典的小波降噪算法具有更好的降噪效果,能有效提高算法的实用性能．     

基于增强型kick策略的ILS算法求解一类聚类问题

提出一种新型的基于环交换邻域的迭代局部搜索算（ILS）．用于求解一类聚类问题,算法的主要特点是：1）基于环交换的邻域结构;环交换邻域与传统的Swap和Insert邻域相比,算法在一次迭代中允许多个点同时移动;2）针对聚类问题提出了增强型的kick移动策略：根据每组内点的密度分布摄动聚类中心,对给定的解重新聚类,实验结果表明,基于环交换的迭代局部搜索算法对求解该类聚类问题是有效的．     

硬膜矩形带通滤光片

介绍了带宽系列为３０～４０ｎｍ 的硬膜矩形化带通滤光片的设计和制造方法。采用七半波膜系以获得矩形化程度较高的通带波形和深度的背景抑制特性（ＯＤ５～ＯＤ６）,结合工艺特性和允差模拟分析对膜系进行优化设计。采用光学过正极值法监控膜厚,采用非球面夹具解决膜厚均匀性问题,文中给出了设计和测试结果     

图像最佳邻域自适应平滑技术

本文分析了自适应图像平滑算法的原理,指出了该算法在处理图像的边缘和细节部位存在的问题。根据像素在图像内的不同位置,计算出其最佳邻域,最后给出了计算机模拟结果。     

邻域匹配和分类匹配的分形块编码

值域块的分形编码,是值域块与定义域块池中的定义域块逐一匹配后产生的。这一匹配过程是影响分形块编码速度的深层原因,此文改全局匹配为邻域匹配和分类匹配,从二条途径探讨了缩短匹配时间的方法。实验结果表明,领域匹配及分类匹配的分形块编码的时间,但信噪比略有下降。     

基于TSNE-BiGRU模型短期电力负荷预测

短期电力负荷预测是电力系统合理调度与安全稳定运行的基础.为提高电力负荷预测精度,提出一种基于t分布邻域嵌入(t-SNE)算法和双向门控循环单元(Bi-GRU)网络的短期电力负荷预测方法.该方法首先通过多标签处理将电力负荷时序数据转换成高维时间戳数据,进而在维持数据信息完整性的前提下通过t-SNE算法对其降维,并结合实时电价数据,基于Bi-GRU网络学习时间戳数据、实时电价数据及实时负荷数据之间的非线性特性,最后经全连接输出层聚合相关信息给出预测结果.基于新加坡地区电力基准数据集进行试验,对比分析所建模型TSNE-BiGRU与基准模型Bi-GRU及GRU的预测性能.试验结果表明所建模型TSNE-BiGRU具有良好的鲁棒性,能有效提高短期电力负荷的预测精度.其平均百分比误差值为0.49％,相较Bi-GRU与GRU,分别降低了 23.44％与32.88％;其平均绝对误差值为30.58,相较两基准模型分别降低了 22.19％与32.84％;其均方根误差值为39.40,相较两基准模型分别降低了 17.16％与27.88％.