面向光伏MPPT控制策略的改进果蝇算法

局部遮光会降低光伏发电系统的效率。在局部遮光条件下,光伏系统的输出功率特性曲线会产生多个峰值,传统的最大功率跟踪方法不具有全局搜索的能力,其在进行多峰值最大功率跟踪时会失效。果蝇算法(Fruit Fly Optimization Algorithm,FOA)具有全局寻优能力,但是在求解过程中存在收敛速度慢、收敛精度低及容易收敛于局部最优值的问题。文中对果蝇算法进行改进,提出结合自适应lévy飞行步长的Lévy-FOA算法,该算法充分利用Lévy飞行不均匀随机游走的特性,引入自适应步长调整因子,改进了原有算法的位置更新方式,提高了算法的收敛速度以及收敛精度,避免了算法陷入局部极值。文中利用3个标准函数对自适应Lévy-FOA算法的收敛性进行分析,并与普通FOA算法、自适应改进学习因子粒子群算法(Adaptive Particle Swarm Optimization,APSO)进行对比。结果表明,与FOA算法和APSO算法相比,自适应Lévy-FOA算法的平均跟踪时间有较大幅度的减少,平均收敛精度提高了4个数量级。最后,将自适应Lévy-FOA算法应用于光伏最大功率跟踪中。仿真结果显示,...     

基于特征点Rényi互信息的医学图像配准

针对医学图像配准有鲁棒性强、准确性高和速度快的要求,文中提出一种基于特征点Rényi互信息的医学图像配准算法.起初从模板图像与待配准图像中依次提取出多尺度特征点,其次使用其空间坐标计算特征点Rényi互信息目标函数,实现图像配准.该算法有效地避免了多模噪声图像间的灰度差异影响,减少了待处理的数据量,同时使用Rényi互信息来消除目标函数所受的局部极值的影响,进一步提高了配准精度.实验证明该算法适于单模和多模医学图像配准,速度较快、精度高、鲁棒性强,是一种有效的自动配准方法,并且具有较好的临床应用价值.     

带两个参数的拟Bézier曲线

文章主要将Bernstein基函数中的变量u用函数f(u)代替,将Bernstein基函数进行了推广,生成了新的Bézier曲线,称为拟Bézier曲线。讨论了基函数及其生成的曲线的构造和性质。这种拟Bézier曲线不仅有Bézier曲线的优良性质,而且还产生了一些新的特性,如通过调节因子λ的值可以改变拟Bézier曲线的次数[1],同时拟Bézier曲线也可以通过类似的De Casteljau算法来实现拟De Casteljau算法的几何作图法。但不同的是,对相同参数u,Bézier曲线与拟Bézier曲线所对应的点Vi的位置不同。最后讨论了曲线间的拼接问题,其在应用中有一定的研究价值。     

Lupaşq-Bézier曲线的几何求值算法及其应用

Lupa?q-Bézier曲线是一种以q-整数作为形状参数的广义Bézier曲线.本文构造了Lupa?q-Bézier曲线的一种新型几何求值算法,该算法倒数第二层2个节点的仿射组合与曲线相切.利用算法的相切性质得到Lupa?q-Bézier曲线导矢的一种新表示,并实现了Lupa?q-Bézier曲线的细分.特别地,二次...     

基于曲线线性组合的三次Bézier曲线的拓展

为了在几何造型中更加灵活地调控曲线曲面的形状,利用曲线线性组合的思想,对三次Bézier曲线进行了拓展,拓展曲线包含了原曲线的基本形式,比传统的拓展曲线表达简单。讨论了拓展曲线的性质,最后通过实例表明:定义的曲线为曲线的设计提供了一种有效的方法。     

本体动态工作流系统的研究与实现

为能对采办过程中的武器装备全生命周期进行管理,提供连续支持的集成环境,该文提出并部分实现了基于本体工作流模型的采办系统,即采用框架知识的表示方式对采办过程中所涉及到的各种资源和工作流定义进行描述,进而把整个采办过程中的资源保存到知识库中,采办人员根据工作流的引导和相应的权限使用知识库中的各类资源。采办过程中对本体的共同理解使参与采办的企业有共同集成和协作的基础,同时针对采办项目的知识库可进一步提供对项目分析、预测和决策的支持。     

一种基于多混沌映射的图像加密算法

为提高图像信息的安全性,提出一种基于多混沌映射的图像加密算法.将混沌序列和彩色图像像素点的坐标看作空间上的两点,利用2个点的距离公式计算生成加密因子,将图像与该加密因子做相应的代数运算,从而获得加密图像.仿真结果表明,该算法易于实现,对密钥具有较强的敏感性,密钥空间大,加密图像的像素值分布较均匀.     

Bézier-Said型曲线

为了扩大自由型曲线曲面的选择范围,提出了一族介于Bézier曲线与Said-Ball曲线之间的新型曲线,在形式上将Bézier曲线与Said-Ball曲线统一起来,并对这一族曲线的性质进行了研究。同时给出了有关的升阶公式以及将基函数用Bernstein多项式来表示的系数公式。     

Improving Parameter Estimation and Defensive Ability of Latent Dirichlet Allocation Model Training Under Rényi Differential Privacy

Latent Dirichlet allocation (LDA) is a topic model widely used for discovering hidden semantics in massive text corpora. Collapsed Gibbs sampling (CGS), as a widely-used algorithm for learning the parameters of LDA, has the risk of privacy leakage. Specifically, word count statistics and updates of latent topics in CGS, which are essential for parameter estimation, could be employed by adversaries to conduct effective membership inference attacks (MIAs). Till now, there are two kinds of methods exploited in CGS to defend against MIAs: adding noise to word count statistics and utilizing inherent privacy. These two kinds of methods have their respective limitations. Noise sampled from the Laplacian distribution sometimes produces negative word count statistics, which render terrible parameter estimation in CGS. Utilizing inherent privacy could only provide weak guaranteed privacy when defending against MIAs. It is promising to propose an effective framework to obtain accurate parameter estimations with guaranteed differential privacy. The key issue of obtaining accurate parameter estimations when introducing differential privacy in CGS is making good use of the privacy budget such that a precise noise scale is derived. It is the first time that R′enyi differential privacy (RDP) has been introduced into CGS and we propose RDP-LDA, an effective framework for analyzing the privacy loss of any differentially private CGS. RDP-LDA could be used to derive a tighter upper bound of privacy loss than the overestimated results of existing differentially private CGS obtained by ε-DP. In RDP-LDA, we propose a novel truncated-Gaussian mechanism that keeps word count statistics non-negative. And we propose distribution perturbation which could provide more rigorous guaranteed privacy than utilizing inherent privacy. Experiments validate that our proposed methods produce more accurate parameter estimation under the JS-divergence metric and obtain lower precision and recall when defending against MIAs.     

图像重建中 Total Variation 正则化项的有限元计算方法

为在迭代图像重建算法中获得更高质量的重建图像,推导出TV（Total Variation）正则化项关于重建图像的Fréchet导数,并给出该导数的有限元表示;利用两个数值实验,分别采用不同的网格尺寸和不同的形函数验证该有限元表示结果.数值实验结果表明：采用相同的k次单纯形元时,随着网格不断加密,计算结果的L1和L2误差均下降;采用相同的网格时,线性单纯形元函数计算结果明显优于分片常数有限元和二次单纯形元计算结果.