基于磁梯度张量与Levenberg-Marquardt优化的磁矩计算方法

针对目前磁矩计算方法中出现的对磁性目标出厂参数精度要求较高且计算繁琐、受地磁场影响较大、反演精度较差等问题,提出了一种基于磁梯度张量概念与Levenberg-Marquardt优化算法结合的磁矩计算方法。该方法采用磁梯度张量概念消除了地磁背景场的干扰,使用Levenberg-Marquardt算法优化解算过程,消除了反演过程中出现的奇异点。对新方法进行地磁背景场、测量系统位置、环境噪声等影响因素的验证仿真,并实验验证该方法的可操作性。仿真与实验证明,相比于以往方法,新方法的磁矩反演精度有大幅度的提高,抗噪声能力更强,具有更高的鲁棒性。     

基于改进A和DWA的无人艇路径规划算法

针对存在动态障碍的复杂海洋环境中无人艇的应用,提出了基于改进A*和DWA的无人艇路径规划算法.在全局路径规划时,基于动态改变步长方法设计了一种改进的快速平滑A*算法,克服了传统A*算法存在的大范围搜索时效率低下、生成路径不平滑等缺点,基于无人艇传感及导航信息,通过在DWA的评价函数中增加路径偏差项,将全局规划与局部规划相结合,实现了动态环境下无人艇的路径规划.仿真实验结果表明,该算法相比传统A*算法,规划的路径平滑,运行效率提升了约30倍,并可以躲避环境中可能存在的动态障碍,确保无人艇安全、高效地到达目标点.     

卡尔曼滤波算法在MEMS热式风速风向传感器中的应用

针对MEMS热式风速风向传感器在实际使用过程中因噪声问题导致输出不稳定的现象,本文首次采用了卡尔曼(Kalman)滤波算法对本征白噪声进行滤波处理,从而优化传感器的输出性能.本文分别通过理论分析和仿真模拟证明了Kalman滤波算法的可行性.实验结果表明,通过调节相关参数,Kalman滤波算法在滤波效果、响应速度及误差上均优于传统的加权滑动均值滤波算法.除此之外,在消耗较少资源的前提下,Kalman滤波算法可以有效减少本征白噪声的干扰,且调节空间较大,可以适应不同的应用需求.     

基于蚁群算法的能耗均衡的安全路由

针对无线传感网络(Wireless Sensor Networks,WSNs)路由能耗及安全问题,提出基于蚁群算法的能耗均衡的安全路由(Ant Colony based Energy Balancing Secure,ACES).ACES路由利用蚁群算法搜索从源节点至汇聚节点的路径,并利用节点的剩余能量,离汇聚节点距离以及节点信任值对蚁群算法的信息素启发函数,状态转移函数和信息素的更新函数进行优化,使寻径蚂蚁能够快速建立从源节点至汇聚节点的路径,提高数据包传递率,均衡节点能耗.仿真结果表明,提出的ACES路由有效地延长了网络寿命,并提高了数据包传递率.     

基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究

为了高效挖掘煤矿安全监测监控系统海量数据中包含的有效信息,提高煤矿瓦斯浓度预测精度,提出一种改进的蝗虫优化算法(IGOA)优化长短时记忆神经网络(LSTM)的多参数瓦斯浓度预测模型.首先对瓦斯多参数时间序列进行相关性分析和小波去噪;其次通过重构线性缩减因子c、引入柯西-高斯混合变异和最优邻域扰动策略联合改进蝗虫优化算法,提高其全局寻优能力,以此来优化LSTM相关超参数,构建瓦斯浓度预测模型;最后,以实测数据为样本进行实验验证,将提出的模型与BP、LSTM、PSO-LSTM以及GOA-LSTM模型对比,可得到提出的模型具有更好的预测效果,平均绝对百分比误差和均方根误差两种误差评价指标分别为0.531％、2.48×10-3.结果表明,提出的瓦斯浓度预测模型具有更高的预测性能.     

基于麦克风阵列的语音增强算法研究

语音通信为最普通的一种通信模式,在我们的日常生活中发挥着极为关键的效果.然而,在客观场景内,声音势必会因噪音而产生影响.此类噪声与干扰不但会影响声音的可知性,还使声音处理系统的性能急剧恶化.但是,在现实环境中,声音受到噪音和干扰是不可避免的.这些噪声和干扰不仅影响声音的可知性,还使声音处理系统的性能急剧恶化.麦克风阵列语音增强为语音增强中最普遍的一种模式.文章具体讲解了几类比较普遍的麦克风阵列增强算法以及语音扩展算法的仿真处理结果,语音扩展算法可以从噪音声音中尽可能地提取清晰的声音,从而提高语音质量和主观舒适性.     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。     

基于BP-GamysBoost的乳腺癌诊断模型

针对乳腺癌数据存在的不平衡性问题,对标准的Adaboost算法进行改进,即首先引入BP神经网络,然后融合模拟退火遗传算法（SA-GA）较强的全局寻优能力和较快的收敛速度,最后通过权重的合理分配,提出BP-GamysBoost算法。同时为验证所提出的新算法BP-GamysBoost的合理性,从UCI机器学习知识库中获取WBCD数据库,比较BP-GamysBoost算法模型与BP模型、BP-GA模型、BP-Adaboost模型的稳定性、准确率、漏诊率、灵敏度等性能指标。最终结果表明,BP-GamysBoost模型在乳腺癌数据库中运行良好,并优于其他3种算法模型。     

K-means算法应用现状与研究发展趋势

K-means是一种无监督学习算法,基于数据对象之间的距离度量划分数据簇、欧氏距离等度量方法存在一些问题,比如离群点数据较多,算法准确度较低.互信息可以度量任意两个数据对象之间的互相包含程度,基于互信息改进K-means算法,可以更好地度量数据对象之间的距离,确保簇内高度相同和簇间高度相异,旨在解决离群点数据较多的情况下K-means算法准确度不高的问题.实验结果显示,与K-means算法、模糊K-means算法相比,改进K-means算法实验结果精确度达到了97.8％,该方法明显提高K-means算法的准确度.