无线传感器网络中目标跟踪的马尔可夫模型与预测方法

针对目标运动是一个包含许多不确定因素的非线性非高斯随机过程,提出基于马尔可夫随机场模型与粒子滤波的WSN分布式目标跟踪方法(MRF-PF)。把目标跟踪过程看作是一个马尔可夫过程,基于贝叶斯规则,建立目标状态分布函数,用粒子滤波估计目标状态,实现目标跟踪。实验结果:对于泊松白噪声,MRF-PF方法的跟踪均方根误差RMSE相比卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)方法分别降低52.6%、49.2%;对于方差σ2由0.3→3的高斯噪声,GM-PF方法的RMSE相比KF、EKF分别降低54.5%～77.2%和23.5%～54.2%。这表明MRF-PF方法在非线性非高斯噪声或高斯噪声变化较大时具有较好的抗噪能力及跟踪性能。     

基于MATLAB的神经模糊聚合釜控制

针对模糊控制表达能力强,但学习能力、适应性差的特点,提出在聚合釜温度控制过程中使用模糊控制与神经网络相结合的控制方案.给出了神经模糊网络结构和学习算法,仿真研究表明,神经模糊网络可以直接从经验中获取知识,自动建立模糊规则和隶属函数,无需查表,具有较强的适应和联想能力,比单纯的模糊控制具有更大的优势.     

基于NNPLS的丁苯橡胶门尼粘度预测

门尼粘度是合成橡胶生产的主要质量指标,如何在线监测门尼粘度,并实现质量的自动监控是橡胶生产工业亟待解决的问题.本文应用NNPLS方法建立生产过程门尼粘度预测模型.结合工艺机理分析,找出影响橡胶门尼粘度的主要参数,确定辅助变量,建立基于NNPLS的门尼粘度预测模型.仿真结果,门尼粘度预测值与实际值最大误差为3.6,预测模型精度高.泛化能力强,运行速度快,可以指导生产.     

基于改进YOLOX-s的安全帽检测

在施工现场中, 发生过许多高空坠落事故, 因此在施工现场佩戴安全帽是十分有必要的. 针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况, 提出一种基于YOLOX-s的改进算法. 首先, 在Neck层引入主干特征提取网络中的160×160特征层进行特征融合, 并且增加了一个针对小目标的检测头; 其次, 采用SIoU损失函数计算损失值, 使得网络在训练过程中考虑的损失项更加全面; 并且采用varifocal loss函数来计算置信度损失值, 进一步改善训练过程中存在的正样本与困难样本不均衡的问题, 最后, 采用CA (coordinate attention)注意力机制来增强模型的特征表达能力. 实验结果表明, 通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制, 使得网络在训练过程中收敛与回归性能更佳. 改进后的算法的mAP值为95.57%, 相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%. 改进后的算法检测速度为54.73帧/s, 符合实时检测速度要求.     

秃鹰搜索算法的优化及图像分类应用

针对秃鹰搜索算法(BES)存在求解的稳定性差且准确性低, 鲁棒性差等缺点, 提出了一种基于秃鹰搜索算法的新型算法(NBES). 首先, 在BES算法的选择搜索空间阶段融合正余弦优化机制算法, 构建融合后的位置更新公式. 其次, 在BES算法的搜索空间猎物阶段加入惯性权重自适应位置更新策略. 最后, 在BES算法俯冲阶段融合萤火虫优化机制算法, 重新定义位置更新公式. 通过11个标准测试函数验证NBES算法性能, 实验表明, NBES算法寻优准确性、收敛速度、鲁棒性都优于BES算法. 为了验证新算法的实际应用价值, 利用NBES算法优化卷积神经网络(CNN)中的超参数学习率, 并将优化后的图像分类模型用于医学影像病理性分类预测, 实验表明, 经过优化的CNN模型分类精度提高9%.     

椭圆齿轮流量计误差校正

该文分析了流体的粘度对椭圆流量计测量精度的影响，并简述其误差校正方法，该方法对流量测试仪表精度校正具有普遍意义。     

微粒群算法在无线电干涉测距定位中的应用

节点定位是无线传感网络的重要支撑技术.无线电干涉测距虽然测距精度高,但用遗传算法和迭代最小二乘算法进行节点定位的误差较大,本文针对这一问题.提出了基于微粒群算法的节点定位.该算法能够解决连续空间多维函数的优化问题,满足了基于无线电干涉测距节点定位的需要.仿真证明:该算法具有实现简单,运行稳定,计算误差小等优点.与其他常用节点定位技术相比,无线电干涉测距定位技术具有定位精度高,传播距离远,所需硬件设备少等优点.     

转炉出钢挡渣方法

介绍了国内外转炉出钢挡渣的十几种重要方法 ,介绍了转炉挡渣的发展趋势为从有形挡渣向无形挡渣进化 ,无形挡渣配备炉渣检测装置可实现自动控制挡渣 ,这种效果好、可靠、费用低的挡渣法将成为一种发展趋势     

基于YOLOv5s网络改进的钢铁表面缺陷检测算法

针对目前钢铁表面缺陷检测算法存在检测精度低、检测速度慢和模型复杂度高等问题,提出基于YOLOv5s改进的钢铁表面缺陷检测算法。将SE通道注意力模块融入骨干网络中以增大缺陷特征通道权重,降低背景干扰,提高算法对缺陷特征的提取能力;在颈部网络融入STR多头自注意力模块,提高缺陷边缘纹理等细节特征的比重;改进损失函数为SIoU,缩短预测框回归收敛过程以提高算法检测速度。实验结果表明：改进算法在NEU-DET数据集上的mAP值为80.4%,较YOLOv5s提高5.5%,每秒处理帧数为100,算法体积降低约8.3%,算法计算量降低约4.3%,对比其他的目标检测算法,改进算法在检测精度、检测速度上均明显提升,模型复杂度降低明显。改进算法可满足实时钢铁表面缺陷检测需求。     

基于改进麻雀搜索算法的3DDV-Hop定位算法

针对经典3DDV-Hop算法定位精度不高的问题,提出一种基于改进麻雀搜索算法优化的改进的3DDV-Hop算法。算法首先通过多通信半径优化传感器节点之间跳数,并且在平均跳距计算过程中引入动态加权因子提高平均跳距计算精度,最后利用改进后的麻雀搜索算法替代最小二乘法计算未知节点坐标,将未知节点坐标计算问题转化成改进后的麻雀搜索算法寻优问题。经过matlab仿真验证,改进算法对比于经典3DDV-Hop算法和相关算法,定位精度得到有效提高。