基于组合特征的集装箱箱号识别法

为准确、高效地识别集装箱箱号,提出一种基于组合特征实现箱号识别的方法。对分割好的字符二值图像预处理后提取孔洞特征、凹凸特征、跳变特征、笔画特征等,利用树形分类器进行分类识别,并结合箱号自身的校验规则进行验证、识别。该方法不需要对字符图像做复杂的细化处理,提高了运算速度,避免了细化造成的字符畸变。实验结果表明,该方法平均箱号正确识别率可以达到93%,每箱号(11个字符)平均识别时间为0.065s。     

基于改进模糊熵的车牌定位方法

车牌定位是车牌自动识别系统中关键技术之一,定位的准确性直接影响到后期识别的效果。为了提高定位的准确性,提出了一种高效实时的车牌定位方法。该方法首先将彩色图像转化为灰度图像,并对图像进行灰度拉伸和灰度均衡,用中值滤波平滑图像,以去除噪声点;其次利用Sobel垂直算子检测出边缘,用模糊熵法求出二值化图像;最后结合水平扫描和垂直扫描定位出车牌。经过大量实验证明,该方法具有较好的自适应性,在不同外界环境下能够准确快速地定位出不同型号的车辆牌照。     

中药特性信息数据挖掘系统中的预处理设计

中药数据的不规范,使预处理成为数据挖掘系统中的一个重要过程。该文开发中药特性信息数据挖掘系统,介绍系统结构与挖掘流程,分析中药数据的特征,对数据进行预处理,包括过滤噪声数据、中医药术语规范化、缺损数据处理、剂量单位规范化、作用度规一化、功效量化等。     

基于TS201的SAR方位向预处理器的优化设计

为满足高分辨率、多模式合成孔径雷达(SAR)系统的方位向预处理需要,利用AD公司的高速DSP芯片ADSP-TS201来实现预处理功能,提高了距离向处理点数、FIR滤波器阶数和运算精度。预处理参数可以根据不同的需要实时改变。该文介绍了预处理器的原理,针对TS201的内部结构和指令特点对软件代码进行优化。实测表明,该预处理器在采用64阶FIR预滤波器、降4倍采样、输入距离线为16 384点时,PRF超过1 800 Hz。     

基于扇区划分的细节点采样指纹匹配算法

在对指纹匹配算法进行了深入研究及总结现有算法优缺点的基础上,提出了新的基于扇区划分的细节点采样指纹匹配算法。本算法以指纹图像参考点为中心,分扇区对细节点数目进行采样统计以构造新的指纹特征向量,再利用距离最小准则进行指纹匹配。实验结果表明,本算法有效提高了指纹图像的匹配效果和运行速度。     

基于签名鉴别的网络身份认证模型

计算机网络安全问题已经越来越受到人们的重视,而整个网络安全体系又是以有效的身份认证为基础。分析了传统的身份认证技术的缺点,对签名鉴别进行了概述,详细阐述了基于签名鉴别的身份认证技术的基本原理和基本流程,并根据签名鉴别的基本原理,把签名鉴别技术应用到网络身份认证领域,并详细介绍了基于签名鉴别的网络身份认证系统的体系结构和认证原理。     

液体前处理装置监控系统的可靠性设计与实现

液体前处理系统是一种新型样品微量组分检测预处理装置,主要用于样品提取和分析过程,特别适用于粮食、蔬菜、水果等固体物中微量组分的分析。液体前处理系统可靠性设计的思路主要根据人与环境特性,分别从计算机硬件、软件两个方面展开避错设计和容错设计,从而提高计算机系统工作的可靠性。     

基于BP网络的GDP预测数据预处理方法研究

数据预处理是决定建模成功与否的关键步骤之一,而同一个模型用不同的预处理方法所得到的结果也会不一样。文章基于BP神经网络的GDP预测模型,探讨了已有的6种预处理方法,在这些方法之上又新增了2种不同的方法,最后用这些不同方法在MATLAB下实现,将所得结果作比较与分析,文章提出的减比法是一种既简单准确度又高的方法。     

聚类算法在供水管网节点选择中的应用

在开发供水管网调度决策系统时,需对供水管网数百个节点的压力变化及相互间关系进行分析,工作量较大。针对此问题,采用系统聚类中的类平均法将节点聚类,并利用离均差从各类中筛选出代表点。提出针对数据采集时的缺失值及节点间采集时刻不一致问题的数据预处理方法。经实例检验,得出的节点具有良好的代表性及全面性,可满足工程需求。     

Outliers detection in environmental monitoring databases

Environmental monitoring is nowadays an important task in many industrial operations. In order to comply with strong environmental laws, they have implemented monitoring systems based on a network of air quality and meteorological stations providing real-time measurements of key variables associated to the distribution of pollutants in surrounding areas. These measurements can be contaminated by outliers, which must be discarded in order to have a consistent set of data. This work presents a nonlinear procedure for outliers detection based on residual analysis of regression with Partial Least Squares and Artificial Neural Networks. In order to minimize the negative effect of outliers in the training dataset a learning algorithm with regularization is proposed. This algorithm is based on a Quasi-Newton optimization method and it was tested on a simulated nonlinear process, on real data from environmental monitoring contaminated with synthetic outliers, and finally applied to a real environmental monitoring data obtained from a monitoring station and having natural outliers. The results are encouraging and further developments are foreseen for including information from neighboring stations and emission source operation.