改进的粒子群算法

针对基本粒子群算法容易陷入局部最优点,进化后期速度慢等缺点,设计了一种新的粒子群算法,将基本粒子群算法粒子行为基于个体极值点转化为个体自身极值与其他某一个个体极值的加权平均值,而全局极值点转化为群体中优秀个体极值的加权平均值。数值仿真实验表明,新算法比PSO具有更好的收敛性,能更快地找到问题的最优解。     

数据融合技术在消防车检测系统中的研究

文中主要研究消防车检测系统中温度工作状态参数,给出了基于DSP TMS320LF2407为核心的硬件构成,提出了基于多传感器数据检测与数据融合技术的温度采集方法。在多传感器采集数据基础上,采用分布图法去除疏失误差,同时采用自适应加权数据融合算法的方法对采集的数据进行融合。实测表明,采用这种方法可以提高温度采集的精度,同时有效地解决了由于传感器失效引起的误差和单点采集温度的不足。有效地保证了消防车检测系统的实时性和准确性。有一定良好的应用前景。     

基于改进YOLOv5的密集场景行人检测方法研究

当前的研究中密集场景行人检测精度较低,为提高检测精度,提出一种基于YOLOv5网络的改进方法V-YOLO,采用加权双向特征金字塔网络(bi-directional feature pyramid network, BiFPN)改进原始网络中的路径聚合网络(path aggregation network, PANet),加强多尺度特征的融合能力,提高对行人目标的检测能力。为了保留更多的特征信息,提高主干网络的特征提取能力,添加残差结构VBlock;引入SKNet(select kernel networks)注意力机制,动态融合不同感受野的特征图,提高对不同行人特征的利用率。使用CrowdHuman数据集进行训练和测试,实验结果表明,所提出算法比原始网络的精确度、召回率和平均精度值分别提高1.8%、2.3%和2.6%,验证了所提出算法能有效的提高密集场景下行人目标检测的准确率。     

多尺度自校正双直方图均衡化红外图像增强

针对红外图像增强过程中容易饱和、细节丢失等问题,提出一种参数自设定的双直方图均衡化方法。根据灰度级累积概率密度黄金比例值将原始图像划分为两个独立的子图像。结合原始图像曝光度和子图像灰度级区间信息,对每个子图像的直方图进行多尺度自适应加权校正。基于校正后的直方图,对每个子图像分别作均衡化映射变换,最后合并子图像获得增强图像。在红外图像公开数据集INFRARED100上进行的测试显示,与亮度保持双直方图均衡化（BrightnessPreservingBi-Histogram Equalization,BBHE）、带平台限制的双直方图均衡化（Bi-histogram Equalization with a Plateau Limit,BHEPL）、基于曝光度的双直方图均衡化（Exposure based Sub-image Histogram Equalization,ESIHE）方法相比,所提方法增强的图像具有合适的平均对比度和更大的平均信息熵,在峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）、结构相似度（Structural Similarity,SSIM）...     

交直流配电网中柔性软开关接入的规划-运行协同优化方法

含分布式源-储-荷的直流配电系统需要通过柔性软开关等电力电子化配电设备与交流系统互联,构成的交直流混合系统不仅可以提高系统整体的可靠性,还可以通过灵活的潮流控制优化系统运行方式,并降低系统损耗。由于用以交直流系统互联的柔性软开关接入方案对全系统可靠性和最优运行方式都有影响,针对这一规划-运行协同问题,首先提出了交直流混合系统的改进显式可靠性计算方法,进而建立了考虑可靠性经济成本和网损的交直流混合配电系统规划-运行协同双层优化模型。上层模型基于加权功率传输分布因数,以系统传输损耗最优为目标确定柔性软开关的接入方案,下层以可靠性成本最低为目标获取交直流混合系统的最优运行方式。最后,在算例系统中进行了仿真对比验证。结果表明,所提出的规划-运行协同优化方法能够有效提升交直流混合系统的可靠性和经济性。     

基于加权投票的主动密度峰值数据聚类算法

针对传统方法缺乏对查询标准的全面考虑,并且反复运行半监督聚类来更新标签等问题,提出一种基于加权投票一致性的主动密度峰值数据聚类算法。提出一个同时考虑代表性和信息性的主动密度峰聚类算法,选取有代表性的实例捕捉数据模式,查询信息实例以减少聚类结果的不确定性。设计快速更新策略,有效地更新了标签。提出一个结合局部和全局不确定性的主动聚类集成框架,并引入加权投票一致性方法对聚类结果进行优化整合。在数据集上的实验结果证明了该方法能有效解决传统方法问题,并具有良好的聚类性能。     

具有反馈控制的多自主体系统迭代学习输出一致性

为改进多自主体系统的学习过程并提高系统对外部干扰的鲁棒性,提出一种具有反馈控制的迭代学习一致性控制算法。首先,自主体之间通过共享控制输入信息以改进其学习过程,并且当系统外部存在非迭代重复干扰时,通过设计反馈控制器以提高系统的鲁棒性;然后,使用压缩映射的方法对系统一致性进行分析,并严格推导出算法的收敛条件;最后,通过仿真实验验证了算法的正确性和有效性,改进后的算法与P型算法相比有更高的收敛速度,且在存在外部干扰时有更平滑的收敛曲线。     

基于视图互信息加权的多视图集成聚类算法

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这些问题,提出一种基于视图互信息加权的多视图集成聚类（MEC-VMIW）算法,主要过程可分为两个阶段,即视图互加权阶段与多视图集成聚类阶段。在视图互信息加权阶段,对数据集进行多次随机降采样,以降低评估加权过程的问题规模,进而构建多视图降采样聚类集合,根据不同视图的聚类结果之间的多轮互评得到视图可靠度评估,并据此对视图进行加权;在多视图集成聚类阶段,对各个视图数据构建基聚类集合,并将多个基聚类集合加权建模至二部图结构,利用高效二部图分割算法得到最终多视图聚类结果。在若干个多视图数据集上的实验结果验证了所提出的多视图集成聚类算法的鲁棒聚类性能。     

基于IRANSAC-IRLS直线拟合算法及应用

针对工业视觉检测中直线边缘存在沾连、毛刺等噪声,导致拟合效率不高、精度较差的问题,提出一种基于梯度方向改进的随机采样一致性（improved random sample consensus,IRANSAC）的迭代加权最小二乘（iterative reweighted least-squares,IRLS）直线拟合算法,即IRANSAC-IRLS算法。首先,利用直线上边缘点的梯度方向相近,将梯度方向引入边缘点RANSAC拟合,来降低错误的随机抽取的次数;然后,对IRANSAC提取出来的局内点进行迭代加权最小二乘拟合,求得最终的直线参数。在噪声点比例为20%、40%、60%、80%的条件下,将IRANSAC-IRLS与基于随机采样一致性算法的最小二乘（RANSAC-LS）拟合算法的仿真实验结果进行对比,IRANSAC-IRLS比RANSAC-LS的拟合效率分别提高16.3%、41.9%、47.5%、53.2%,拟合精度分别提升14.3%、16.7%、44.0%、69.0%。     

结合WLS滤波与还原控制因子的图像去雾

雾天退化图像的复原过程中,针对大气光幕和大气亮度估计不准确导致光晕效应、偏色现象和对比度不足等问题,提出一种结合WLS (weighted least square)滤波与还原控制因子的去雾算法.首先分析WLS滤波器的原理和性能,并用于大气光幕的有效提取;其次利用Sobel算子检测二值化图像边缘,将边缘数目与像素均值同时作为四叉树空间索引的依据,提高大气亮度的估计准确性;最后分析天空出现颜色失衡现象的原因,引入还原控制因子改善视觉效果.实验结果表明,去雾后图像的平均梯度整体提高58.03%,信息熵提高2.88%,运行时间节省50%以上.该方法对含有浓雾、薄雾以及天空等深度复杂的远景图像、近景图像均能得到高对比度、可视度和色彩保真度的恢复效果.