无线传感器网络的信息收益函数研究

信息获取与能量节省的平衡优化是无线传感器网络研究的热点问题,通过信息收益函数可以有效地解决这一问题。然而信息收益函数的性能受到网络特性和算法特性的影响,很难给出较为完备的参数设计、性能评价和选用原则。以动态协同自组织算法在目标跟踪中的应用为例,选取一些典型信息收益函数在此算法下进行分析与仿真,通过设计评价指标,优化参数设计,给出详细的性能评价,并对其鲁棒性进行分析,最后给出应用场合的选用原则,以提高网络的综合性能优化。     

一种有效的Hough变换航迹起始积累方法

针对积累矩阵在低信噪比、低信杂比目标检测时存在的峰值簇拥现象,提出了一种有效的Hough变换积累方法。该方法综合利用单元投票数和投票取值定义了反映单元对应参数为待测曲线特征参数可能性的置信因子,并依据置信因子衡量各投票点对相应单元的贡献值,从而对参数空间实现加权积累。不同量测噪声水平以及不同杂波水平下的多目标航迹起始仿真表明,该方法不但能够明显改善局部峰值簇拥现象;而且对量测噪声和杂波干扰都具有更好的鲁棒性,特别适用于复杂环境中的目标检测。     

FDR飞行数据的相空间重构及混沌特性分析

针对现有飞行数据处理研究中,对数据内在属性及不同数据间相互关联性研究不够深入的问题,应用Takens重构理论和方法等对原始FDR飞行数据进行了相空间重构.在此基础上,采用功率图谱等方法进行定性分析研究,数据曲线均连续且有宽峰特征;采用基于相轨迹线演化的Wolf方法进行定量研究,结果最大Lyapunov指数在不同维数上均为正值.定性与定量研究结果揭示并证实了飞行数据具有典型混沌特性,该结论为后续开展飞行数据处理技术研究提供了新思路.     

一种自适应多目标跟踪算法

给多目标跟踪滤波器引入一个自适应比例因子,用该比例因子描述目标运动过程中的不可预测性或机动性。并结合实际情况,针对传统的数据关联算法的可行性规则(量测与目标一一对应)所存在的问题,提出量测与目标是多-多对应的新可行性规则。在此基础上,给出一种自适应多目标跟踪算法。仿真结果表明:自适应算法的跟踪性能优于非自适应算法的跟踪性能。利用该方法对多目标进行跟踪,可以达到很好的跟踪效果。     

一种基于高阶统计量的图像识别算法研究

提出了一种基于图像高阶统计量的识别算法。利用Radon变换将图像数据变换到一维空间,通过计算投影数据的双谱构造出具有比例和平移不变性的特征。利用Rapid变换获得特征的旋转不变特性;接着,利用阈值分析的方法进行特征选择,获得了较原始特征更好的识别效果。针对特征向量过长的问题,利用主元分析进行长度压缩。与不同方法的实验比较表明,算法能够有效地用于图像识别。     

变结构的C~3I系统决策模型的建立和评估

Ｃ３Ｉ系统对军队的重要性越来越受到国防和军事部门的重视，而系统的决策模型又是整个系统性能好坏的关键。当前已经有许多人在从事这方面的工作，但是由于其多维性和复杂性，一直没有较好的系统化的模型产生。本文讨论了一种变结构的决策模型的建立和性能评估方法，并与以往所采用的固定结构的建模方法做了比较。     

一种基于可传递置信模型的分布式决策方法

证据推理理论是研究在不确定情况下智能决策的有效方法之一。将证据推理引入到分布式决策系统，提出了一种基于可传递置信模型的分布式智能决策方法，从信息融合技术的角度构建了agent模型以及分布式决策系统的框架，并且分析了分布式决策系统的信息提取和合成算法以及决策制定算法。通过借鉴信息融合技术中证据推理的可传递置信模型和算法，使分布式决策的研究方法有进一步的发展。在仿真中采用机器人足球仿真比赛作为平台进行研究。     

集散控制系统在水电厂的应用研究

阐述了开发研制一套通用性强、可靠性高、易于扩展维护且性能价格比高的开放型分布式计算机监控系统的必要性，并从系统的总体结构，软硬件设计等方面论述了该系统的组成及工作原理。     

瞳孔中心指导的虹膜边界快速定位算法

虹膜边界定位精度和定位速度影响识别系统性能。Hough变换是计算机视觉中检测几何目标的常用算法,在人眼图像中可以通过对圆参数的投票进行虹膜边界定位。虹膜在图像中的位置和大小不固定,这使得虹膜边界定位计算量大,定位速度慢。针对虹膜边界定位实时性差的问题,提出了基于瞳孔中心指导的虹膜边界快速定位算法,通过选择小图像块和减少图像边界点数提高边界定位的快速性。仿真结果表明该算法对于在人眼图像中快速、精确定位虹膜是有效的。     

基于一种动态特征选择融合算法的蛋白质结构类预测

本文根据氨基酸理化性质，基于氨基酸组成成分与自相关函数相结合特征提取法从非同源蛋白质序列中提取七个特征集，采用局部正确性的动态特征选择算法进行多特征组合来预测蛋白质结构类，并与各个特征集进行了比较。结果表明，DFS_LA算法的预测总精度较各个特征集均有不同程度的提高。Jackknife检验下，DFS_LA算法的预测总精度为82．80％，比COMP特征集提高8．91％；独立测试检验下，DFS_LA算法的预测总精度为86．67％，比COMP特征集提高11．67％。这说明DFS_A算法可有效提高结构类预测精度，多特征组合能在一定程度上更多地反映蛋白质的空间结构信息。