联合中间层的深度卷积神经网络模型

针对当前卷积神经网络（Convolutional Neural Networks,CNN）模型通常将网络最后一层的输出作为特征表示,未能充分利用网络中间层的不足,提出了一种联合中间层的CNN模型（Intermediate Layers Connected-CNN,ILC-CNN）。该模型以AlexNet为基础,首先联合前、中、末端卷积层,通过深度连接方式连接;接着通过池化层、全连接层等操作得到描述图像的特征向量;通过辅助分类器训练方式保证了中间层特征的有效性,使模型得以成功训练。测试结果表明,该模型在图像分类与识别任务中效果显著,其提取的特征更具辨识度,具有比其他模型更高的识别精度。     

油缸安全膜片的应力计算

在某些关键场合需要径向尺寸很小的安全装置。为了设计一种在过载情况下能保护设备的安全膜片,采用了4种计算方法对此进行分析,并将计算结果与实验的结果进行比较,最终确定采用Ansys软件的非线性模块进行有限元计算得到的结果更加接近实验数值,从而确定在今后安全膜片的计算中应特别重视Ansys的计算结果。     

基于精英集聚效应的实数编码小世界优化算法

为了提高小世界算法的高维模型优化性能和降低算法的编码复杂性，提出了一种基于精英集聚效应的自适应实数编码小世界优化算法。该算法借鉴小世界现象进行网络空间搜索，包括随机长连接和局部短连接。为了提高优化性能，首先基于精英集聚效应在长连接中加入分级个体吸引策略；然后根据节点优化优劣在短连接中进行搜索次数及邻域大小的自适应调整。为了降低编码复杂性采用了实数编码。最后通过Markov链理论证明了算法的收敛性。数值测试结果表明，与禁忌遗传算法、基本小世界算法以及禁忌小世界算法相比，该算法在相对误差方面平均降低了30.3%，在收敛速度和稳定性方面分别平均提高了18.2%和13.8%，从而验证了算法的有效性。     

基于差分进化遗传优化的移动机器人轨迹跟踪控制

为了提高轮式移动机器人的轨迹跟踪精度,提出了一种基于差分进化遗传优化的轮式移动机器人轨迹跟踪控制器。首先,针对四轮机器人建立了运动学模型;接着,以移动机器人的侧向距离和航向偏角作为控制变量,构建了机器人的轨迹跟踪PID控制器;最后,利用差分进化遗传算法实现了控制器参数的整定优化。轨迹跟踪测试结果表明,与其他控制器相比,基于差分进化遗传优化的控制器的控制精度得到了进一步提高,从而验证了控制器的有效性。     

基于边缘重心模板的水中机器鱼阈值分割算法研究

为了实现不同光照条件下水中机器鱼的准确视觉分割,提出了一种基于边缘重心模板的阈值分割新算法。该算法首先将机器鱼图像从RGB颜色空间转化至HSV颜色空间,利用图像H分量直方图来确定机器鱼像素H分量值的极差;然后基于Sobel算子进行边缘提取来获取边缘重心坐标,并计算以边缘重心为中心的n×n模板的H分量平均值;最后利用机器鱼像素H分量值的极差和平均值来确定边缘重心模板阈值,从而实现机器鱼的阈值分割。3种光照环境的实验结果表明,与其他算法相比,基于边缘重心模板的阈值分割法不仅保证了平均96%的高检出率,其平均误检率也控制在0.4%,从而验证了此算法的有效性。