基于混合图像分割与梯度算法的发光物体图像重建技术研究

传统的图像重建算法存在光源分布不均以及噪声干扰等问题,导致图像重建效果差。针对该问题,提出了一种改进的混合图割算法和梯度算法的发光体图像重建技术。算法首先采用图像分割算法得到在未知先验条件的情况下的发光源情况;然后利用不同的梯度算法,根据重建状态得到发光源准确的分布情况;最后利用内部光源的多级网络提高计算速度和重建的准确性。仿真实验结果表明,本方法即使在存在检测噪声和模型结构误差的情况下,仍然能够得到很好的重建性能,具有较高的实际应用价值。     

云环境下基于Canopy聚类的FCM算法研究

FCM算法是目前广泛使用的算法之一。,针对FCM聚类质量和收敛速度依赖于初始聚类中心的问题,结合Canopy聚类算法能够粗略快速地对数据集进行聚类的优点,提出了一种基于Canopy聚类的FCM算法。该算法通过将Canopy算法快速获取到的聚类中心作为FCM算法的输入来加快FCM算法收敛速度。并在云环境下设计了其MapReduce化方案,实验结果表明,MapReduce化的基于Canopy聚类的FCM算法比MapReduce化的FCM聚类算法具有更好的聚类质量和运行速度。     

一种新的基于最大边缘准则的监督流形学习方法

在深入研究局部样条嵌入算法(LSE)的基础上,引入明确的线性映射关系,构建平移缩放模型和正交化特征子空间,提出了一种正交局部样条判别投影算法(O-LSDP),有效解决了原始LSE算法存在的两个主要问题:样本外点学习问题和无监督模式学习问题。该算法能够应用于模式分类问题并显著改善算法的分类识别能力。在标准人脸数据库上进行的实验比较分析验证了该算法的有效性与可行性。     

一种双权重参数的RFID防碰撞Q值算法研究

标签防碰撞算法是RFID技术研究的热点,也是高强度、大规模应用的关键。在研究了EPC-C1G2标准防碰撞机制中推荐的Q值调整算法的特点后,针对其不足,提出了一种双参数的Q值调整算法——ODWQA,详细阐述了算法的思想、运算流程和关键参数确定方法。在ODWQA算法中,将单一的调整参数c分解为两个权重参数c1和c2,分别对应着碰撞和空闲两种情况,用来调控碰撞时隙和空闲时隙的个数。接着通过实验分析,确定了在不同Q值条件下权重参数c1和c2的最优取值。最后对ODWQA算法进行了仿真测试,结果表明,该算法能够有效减少碰撞时隙的个数,增大系统的吞吐率,降低标签的识别时延。     

基于分布相似度迁移的关键路由设备检测

在基础设施网络(如电力网、互联网等)设施中,往往会出现关键节点,主要表现为节点流量大、在网络中位置关键等,其性能不稳定将制约网络部分区域的功能。因此从提高关键基础设施的性能和安全性的角度出发,针对关键基础设施的检测成为一个重要的研究课题。提出了一种新颖的基于分布相似度迁移的互联网关键路由设备的检测算法,其目的是自动地检测当前互联网线路中的关键路由设备。在真实环境中,不同线路中不同路由设备的行为特征由于若干客观因素(网络状态、路由设备性能等)导致其分布通常不相同。因此,所提方法主要基于路由之间的分布相似度迁移:首先在目标域(当前路由)中通过谱聚类方法自动判断出可疑的路由设备,然后通过提出的基于分布相似度迁移的分类器对上一步中检测出的可疑路由设备进行分类。在华为公司提供的真实数据集上进行的测试表明,所提方法能够有效发现线路中的关键路由设备,同时能够根据不同线路之间的分布相似度迁移来提高分类结果。     

基于改进遗传算法和SVM的森林火灾视频目标鉴别

计算机视觉是目前计算机技术研究的热门课题之一,目标对象特征的选择和提取是计算机视觉的核心问题。在分析和研究火焰图像中火焰预判方法的基础上,提出了从纹理、动态、几何3个方面筛取火焰图像的组合特征,并且重点介绍了动态特征的提取方法。在火焰识别的特征选择方面做了较深入的研究,综合利用了火焰的内容特征,基于遗传算法提出了新的适应度函数,使得特征选择更加科学,而基于结构风险最小化理论的SVM在识别过程中可充分发挥优势,因此在实验中取得了理想的效果。     

带隐变量的回归模型EM算法

带有隐变量的回归模型具有非常广泛的应用场合,隐回归模型的参数求解问题依赖于自变量的分布假设。基于自变量的beta分布的假设条件,给出了隐回归模型的EM算法,详细地推导了模型中的参数求解过程,给出了使用牛顿法求解beta分布参数的算法,并提出一个合适的初值选择算法。在模拟数据和真实数据的基础上进行了详细的比较性试验,结果表明,对具有不同分布特征的因变量观察值,EM算法能够有效地求解隐回归模型的参数。     

基于混合PSO的高斯混合模型地形分类

提出了一种基于改进的混合粒子群优化(particle swarm optimization,PSO)算法的高斯混合模型地形分类方法。高斯混合模型的求解通常是使用期望最大化算法(expectation maximization,EM),然而EM算法易陷入局部最优,收敛速度不稳定且对初值敏感。因此引入混合PSO算法,并对其进行了一系列改进。实验结果表明:改进后的算法较其它优化算法提高了全局搜索能力和收敛速度,利用该算法求解高斯混合模型可以提高参数估计的精度,并且在户外场景图像的地形分类实验中所提出的地形分类方法也表现优良。     

基于AdaBoost.MH的Reyes渲染架构时间预估算法

在大规模真实感渲染系统中,需要对渲染任务进行分解和调度,将其优化后分配给不同的可用计算资源,实现快速集群渲染。为了实现渲染任务的有效分解和调度,提高并行效率,高精度的时间预估算法是不可欠缺的。通过深入研究使用RenderMan规范的渲染器常用的Reyes渲染架构中对渲染时间产生影响的各种因素,分析提取出影响渲染时间的7大要素特征,提出了基于AdaBoost.MH的渲染时间预估算法。通过在基于Reyes渲染架构的渲染引擎中的实验与测试表明,训练集和测试集的准确率分别达到79%和78%,为渲染任务的并行调度奠定了基础,同时也为渲染费用预估提供了依据。     

低品质因数谐振筒的谐振频率测量系统

谐振筒式密度计的测量原理为谐振筒的谐振频率会随筒内液体密度的变化而变化,从而通过测量其谐振频率来达到测量其密度的目的。但由于低品质因数谐振筒在谐振频率附近的幅度与其他频率的幅度区分度太小,导致谐振难以实现。因此如何使低品质因数谐振筒达到谐振状态并测得其谐振频率,是谐振筒式燃油密度传感器激励系统的关键问题。激励系统以DSP为主控芯片,运用椭圆拟合的方法解决了低品质因数谐振筒式密度计激励系统的关键技术问题-增益测量和相位测量,运用原位计算节省了DSP大量的内存空间,同时运算量又较小。仿真结果表明,增益测量精度优于0.05%,相位测量精度优于0.05%,高于实际需要。系统在测量并记录了增益、相位差之后,利用相关算法实现了自动增益调节和自动相位调节,并实现了谐振筒的谐振,测得了其谐振频率。