非线性系统中多传感器滤波跟踪型数据融合算法的研究

在非线性系统中，常用的跟踪滤波算法是基于扩展的卡尔曼滤波算法的融合算法，但是这种融合算法的跟踪精度并不是很高。本文根据对滤波器跟踪型数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法。研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

用模拟退火差异进化算法进行匹配场反演

分析了模拟退火算法与差异进化算法单独应用于匹配场反演时的局限性，构造一种结合两种算法优点的混合算法。模拟退火算法对差异进化算法的种群进行扰动，保留了差异进化算法的并行特性；在差异进化算法中引入模拟退火算法的重要性抽样思想，增强其逃离局部最优的能力，差异进化算法对目标函数梯度信息的利用仍然保留。仿真研究表明，混合算法在寻优时间与效率上达到了较好的平衡。     

元胞蚂蚁算法的收敛性分析

提出一种新的优化算法，元胞蚂蚁算法，该算法将元胞自动机的邻居和规则引入传统的蚂蚁算法，实验结果证明该算法可行且有效，有良好的全局优化能力。定义元胞蚂蚁算法的求解迭代过程为一个概率测度空间中的随机算子，利用随机不动点理论，证明了该算子为连续压缩算子，存在唯一的随机不动点，从而给出了元胞蚂蚁算法的收敛性的论证，为算法奠定了相应的理论基础。     

一种改进的模糊边缘检测快速算法

系统分析了Pal.King模糊边缘检测算法的缺陷，提出了一种新的快速模糊边缘检测算法，该算法不仅克服了Palking，模糊检测算法定义的不足，简化了复杂的变换和逆变换运算，而且针对Pal.King算法中对隶属度阈值高置为固定值的不足，提出了确定模糊增强变换中最佳隶属度阈值的自动算法，仿真结果证明，该算法效率高，提取边缘精细，适应面广，是一种很有实用价值的图象处理算法。     

一种新颖的花朵授粉优化算法及收敛性分析

针对现有花朵授粉算法存在易早熟、寻优精度不高、搜索效率低下等问题，研究设计了一种改进的花朵授粉算法。该算法利用逻辑自映射函数对花粉粒进行混沌扰动，使缺乏变异机制的花粉粒集具有较强的自适应能力，有效地防止了算法后期最优解趋同的现象。利用变换算子对搜索空间进行动态收缩，使算法在寻优过程中保持较高的种群多样性，降低算法陷入局部极值的概率，从而提高算法的搜索效率和寻优精度。同时，结合花朵授粉的生物学特征，从机理上描述了改进后算法的具体实现步骤，对算法的收敛性和寻优性能进行了详细的剖析，并采用实数编码的方法分析了算法的收敛性，给出了算法的生物学模型和理论基础。实验结果表明，改进后的算法具有较好的性能。     

混合Flow Shop的调度仿真系统及其算法分析

研究了混合Flow Shop的调度问题，调度目标为最小化工件的最大完成时间。文中给出了调度仿真系统的设计，系统由数据库、算法和控制中心用户接口三个模块组成；在算法模块中，排序算法包括了由Flow Shop扩展到混合Flow Shop的多数算法，设备分配采用最先可用机器优先规则。另外，基于CDS虚拟机和Palmer斜度指标的启发式算法，提出了一种改进的CDS算法用于工件排序。在正在开发的混合Flow Shop调度仿真系统中实现了上述所有算法，仿真分析表明改进的CDS算法优于其他启发式算法。     

基于修正超指数迭代算法的双模式盲均衡算法仿真研究

收敛速度和剩余均方误差是评价盲均衡算法性能优劣的主要参数之一。超指数迭代盲均衡算法收敛速度快，但是，该算法对高阶QAM信号具有较大的剩余均方误差。针对数字无线电信道的盲均衡问题，提出了一种修正的超指数迭代盲均衡算法，该算法可校正无线电信道引入的载波相位旋转，并具有较快的收敛速度。在此基础上又提出了一种双模式盲均衡算法，该算法在收敛阶段采用修正的超指数迭代算法，之后根据某一切换准则，切换到判决导引算法，可有效减小超指数迭代算法对高阶信号的剩余均方误差。通过仿真证明了本算法的有效性。     

一种模糊自适应交互多模型算法

提出了一种模糊自适应交互多模型（FAIMM）算法。该算法通过模糊推理机制，在线调节模型集合中部分模型的参数，使这些模型对不同的目标机动模式有更强的自适应能力，从而使该算法可以采用较少的模型达到很好的跟踪滤波效果，而且避免了传统交互多模型算法的模型冲突问题，大大减少了计算量。最后将该算法与传统的交互多模型算法进行了仿真对比，仿真结果表明，FAIMM算法比传统的交互多模型算法有更好的跟踪性能。     

基于pre-FFT OFDM自适应天线阵的最佳波束成形算法

基于自适应天线与OFDM技术，提出一种新的自适应波束成形算法，获得了最佳的阵列加权系数。与传统算法相比，本算法不需要进行信道估计，因此，简化了系统结构。仿真结果表明，所提出的算法明显优于基于最大信噪比（Max-SNR）准则的波束成形算法。     

GPC隐式算法及其在供热控制中的仿真研究

基于理论研究和工程应用的需要，提出了广义预测隐式算法。首先介绍了具有滤波器的模型已知的基本广义预测控制（GPC）算法，然后给出了两种隐式自适应算法，一种是已知对象阶跃响应前P个参数的算法，这种算法既不需要在线递推求解Diophantine方程，也不需在线求逆；另一种是一次辨识控制器参数的算法。最后以集中供热热力站热交换过程为应用背景，对基本算法和两种隐式算法进行仿真研究，其结果证明了算法的有效性。     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。     

前馈神经网络的一种连续型学习算法

本文给出前馈神经网络的一种连续型学习算法，对传统的ＢＰ算法作了改进。分析了该算法的收敛性。通过实例与传统ＢＰ算法进行比较，该算法可以明显提高网络的收敛速度，说明它是一种实用的学习算法。     

基于客户满意度的MOVRPFTW的单亲遗传混合蚁群算法

为解决基于时间窗和食物新鲜度形成的综合客户满意度，且具有最大运输时间限制的带模糊时间窗的多目标车辆路径问题（MOVRPFTW），建立了相应的数学模型。针对蚁群算法容易陷入局部最优的缺陷，将单亲遗传算法和蚁群算法相结合，利用单亲遗传算法的3种遗传算子和区别于传统遗传算法的两种操作手法，构建了多种单亲遗传混合蚁群算法，并进行算例测试。结果表明：与基本蚁群算法相比，单亲遗传混合蚁群算法求出的解的各项目标的平均值更优；同时，单点单亲遗传混合蚁群算法较多点单亲遗传混合算法在求解此问题中的用时更少、计算效率更高，并且移位算子较其他两种算子具有较好的求解性能。     

多层前向神经网络的RLS修正训练算法

文献［４］提出一种训练多层前向神经网络的快速学习算法—ＲＬＳ算法，与标准ＢＰ算法相比有较高的学习效率，但该方法的主要缺陷是存在数值稳定问题和鲁棒性不强的问题。提出了一种修正的基于递推最小二乘算法（ＲＬＳ）的多层前向神经网络的快速学习算法，证明了算法的数值稳定性，对两个系统进行了辨识，并与ＲＬＳ训练算法和标准ＢＰ算法进行了比较，仿真结果显示了所提方法的鲁棒性和有效性。     

一种新型的Ad Hoc网络分簇算法及其性能仿真

现存的Ad Hoc网络分簇算法大都只考虑影响网络性能的某个方面的因素，因此这些分簇算法的应用场合非常受限，本文在现存分簇算法的基础上设计了一种考虑多方面因素的新型分簇算法，可以在一定程度上改善网络的性能，并且具有较强的通用性，首先介绍了分簇算法提出的背景和一些相关的定义和假设，然后说明了几种现存的分簇算法的不足，接着重点分析了一种性能较好的分簇算法一自适应按需加权分簇算法，最后通过模拟对该分簇算法与其它映几种算法进行了性能比较和评价。     

语言值关联规则挖掘算法

挖掘语言值关联规则是数量型属性关联规则中的一个重要研究内容。已有的语言值关联规则挖掘算法没有充分考虑隶属度的信息，为此改进了语言值关联规则的挖掘算法，此算法能充分考虑隶属度的信息，但算法的效率不高。为了提高挖掘算法的效率，通过引入可变阈值，并提出折衷的语言值关联规则挖掘算法，折衷的算法损失了少量的隶属度信息，但节省了挖掘所需的内存和时间。     

恒模算法与子空间法相结合的分数间隔盲均衡

恒模算法和子空间法是目前广泛应用于通信信号处理中的两种盲算法。将恒模算法和子空间方法相结合，提出一种基于恒模算法与子空间分解法的分数间隔盲均衡算法，仿真结果表明，新算法的收敛特性明显优于传统的恒模算法。     

确定性联合补充问题的模型及算法研究

对确定性联合补充库存控制系统进行分析，得出其关键问题是确定系统的联合补充周期和各品种货物的补充频率。建立问题的确定性联合补充数学模型，并分别介绍解决此类问题的传统算法。针对传统算法的局限性，提出一个新型的启发式算法。该算法可通过迭代过程求得问题的近似最优解。最后，通过算例对该算法进行验征，并同其它传统算法进行比较分析。结果表明该算法可以有效地解决此类问题。     

最短路径算法的比较

本文介绍了三种最短路径算法及其算法步骤，这三种算法分别被称为Ｄｉｊｋｓｔｒａ算法、ＰＳＰ算法和ＤＢＦＳ１算法。文中对这三种算法的比较，着重阐述了作为一种在计算机上非常优越的算法ＤＢＦＳ１算法的优越性及其原因。最后，给出了ＤＢＦＳＬ１算法的流程图。     

基于DCT的线性定常系统高精度仿真算法

为了提高线性定常系统的仿真精度和速度，提出了基于快速DCT的线性定常系统高精度仿真算法。该算法与传统的仿真算法原理不同，它以数字信号处理方法和多项式多点快速求值算法为基础，采用了特殊的误差补偿算法。理论分析和上机仿真实践表明，该算法精度高，对于阶次高的系统计算量很小，尤其适于大规族并行计算。