不确定混沌系统的自适应滑模变结构同步

针对一类不确定混沌系统,运用自适应滑模变结构控制方法,设计了相应的控制器和自适应律,实现了混沌系统的主从同步控制.通过构造Lyapunov函数在理论上证明了该同步方法的有效性,并且在不确定项上界未知的情况下,对系统未建模部分和噪声干扰具有很强的鲁棒性.最后以Duffing-Holmes系统为例,进行了混沌同步仿真,仿真结果表明该方法的有效性.     

一类时滞系统的自校正模糊Smith控制器设计

Smith预估控制是解决时滞系统控制的有效方法,但其对系统模型参数的精确要求限制了其应用.而模糊控制本质上属于PD控制,无法消除系统的稳态误差.文中设计了一种自校正模糊Smith 控制器,结合模糊控制、Smith预估器及自校正控制的优点,既保持了模糊控制鲁棒性较强的特点,又消除了系统的稳态误差,且改善了系统的动态性能.仿真结果表明了自校正模糊控制器的有效性和优越性.     

一种空间自适应采样和递归线性估计的光线投射算法

光线投射算法因其成像质量高而广泛地用于虚拟内窥镜系统,但成像速度非常缓慢.为此,本文提出了一种自适应采样和递归估计的成像加速算法.首先,根据查找法快速得到的梯度和光线方向信息,自适应地调整采样步长,使得该算法能够以大步长快速跳过体素值变化缓慢的区域,同时在体素值变化剧烈或快接近等值面的区域,能够以小步长进行搜索.其次,以递归线性插值的方法估计投射光线与实际等值面的交点,用于补偿大步长导致交点精度的降低,此举能够显著地提高成像质量.实验结果表明,该算法在保证绘制图像质量的前提下,提高了体绘制速度,取得了比较满意的效果.     

神经网络控制应用研究

主要对神经网络控制进行了综述.首先介绍了神经网络的发展历程和结构,讨论了几种常见的神经网络控制方案,简要说明了它们的原理, 并论述了神经网络控制在工业中的应用.最后总结了神经网络的特点及存在的相关问题.     

改进的自适应阈值区域图像分割方法在飞机目标识别中的应用

阈值分割是图像分割的常用方法。本文提出采用基于改进的自适应阈值区域分割方法,提高了对飞机目标遥感图像的分割效果。结果表明,该分割方法具有针对性,比传统方法具有明显的优势。     

基于VSM的自适应信息过滤系统的研究与设计

为了从网络动态信息流中获得感兴趣的内容或过滤掉无关的垃圾信息,设计了一个基于向量空间模型的自适应信息过滤系统;描述了该系统的结构和工作流程;对该系统实现的关键技术,包括文本表示、用户模板与过滤阈值初始化、特征项选取、自适应过滤算法、模板更新和阈值调整等进行了深入的分析和研究。     

运用特征点匹配的柱面全景图像快速拼接算法

针对大幅面图像的拼接问题,提出了一种新的基于特征点的柱面全景图像快速拼接算法。该算法在Harris角检测算法提取特征点的基础之上,针对传统RANSAC（random sampling consensus）算法在提纯匹配点时计算极其复杂,难以实现快速拼接的问题,设计了专门的聚类预筛选的方法进行图像特征点的预匹配,显著提高了特征点匹配的效率;在图像融合部分提出了最佳路径与HSI颜色空间的亮度权重函数相结合的算法,既有效消除了拼接图像中的鬼影现象,又使拼接图像达到了平滑融合效果。实验结果表明,该算法具有匹配精度高、鲁棒性强、计算效率高的特点。     

自适应分层粒子群稠密视差图估计

分析了遗传算法的缺陷,提出了自适应分层粒子群(PSO)立体匹配算法计算稠密视差图。首先采用SIFT(scale invariant feature transform)特征检测和匹配算法准确地确定视差范围;其次根据图像和视差范围的大小分层,建立由粗及细的自适应分层图像金字塔结构,加快搜索速度、减少错误匹配;然后在优化函数中引入能根据匹配窗口大小自动变化的因子来调整灰度项和平滑项数据的权重,并用改进的带变异算子的整数形式的PSO进行优化,避免了遗传算法搜索的盲目性以及容易陷入局部最优的缺陷,更快、更好地找到最优解。最后合成图像以及真实图像的实验结果表明该方法精度较高,速度较快。     

一种基于模糊推理的噪声检测及自适应滤波方法

为了在去除图像噪声的同时最大程度地保持图像细节,提出了一种基于模糊推理的噪声检测及自适应滤波方法.该方法首先利用图像的局部统计信息(ROAD)和方向Laplacian差分值,同时采用模糊推理的方法对噪声点进行检测;然后对可能的噪声点进行自适应的滤波处理,使非噪声点的原有灰度保持不变,以最大程度地保持图像的真实性;最后针对由图像中噪声分布不均产生的局部噪声密度较高和高的噪声图像而进行的模糊推理噪声检测可能引起的"误判点",设计了一种改进的滤波方案用来对其进行修正.该方案采用迭代思想来重复进行噪声定位和滤波,每次滤波只滤除较大可能的噪声点,以最大限度减小图像的模糊.实验结果表明,该方案对于不同程度的噪声,经过适当地迭代均可取得良好的去噪效果.     

初始聚类中心优化选取的核C-均值聚类算法

在通常的核C-均值聚类算法中,聚类结果对初始聚类中心敏感,随机选取初始聚类中心时,会使得迭代次数较多、分类结果不稳定.针对该问题提出一种优化选取仞始聚类中心的算法.该方法采用一种改进的最大最小距离算法对原始空间中的数据进行粗分类,将粗分类结果中每类类心作为初始聚类中心,再运用核C-均值聚类算法进行分类.仿真实验结果表明方法能有效减少迭代次数,使分类结果更加稳定,分类识别率也有一定程度的提高.