基于独立成分分析的运动车辆检测算法

根据独立成分分析原理,提出了一种基于固定点算法的运动车辆检测方法,并使用光谱冗余方法解决了独立成分分析检测结果通道不确定的问题。该方法将交通图像序列看作是由背景图像和运动车辆图像混合而成的观测信号,采用独立成分分析方法分离背景图像和前景运动车辆图像。独立成分分析方法能够分离出大量的背景信息如道路2边的树木和建筑物等,但分离出的前景图像仍包含有少量的路面信息,又一次结合光谱冗余方法去除了少量的路面信息,最终实现了运动车辆的检测。通过实验证明基于固定点算法的运动车辆检测方法有较强的抵抗图像背景灰度变化的能力,即使在外界天气、光照明显变化的情况下,依然可以准确、清晰地检测出运动的车辆,是一种具有较好鲁棒性的运动车辆检测方法。     

采用平均加权的ad hoc网络分布式时隙同步算法

为了降低现有ad hoc网络分布式时隙同步算法复杂度,基于研究多个体系统行为特征的Vicsek模型,提出一种采用平均加权的分布式时隙同步算法。各节点通过计算自身及其邻节点时隙起始时刻的算术平均调整时隙位置,最终达到所有节点时隙位置的统一,实现全网同步。对算法在不同网络连接下的收敛性进行逐一分析,并对网络节点随机分布时的算法收敛性进行仿真,结果表明,算法适用于各种连通性网络且收敛速度较快。     

截尾序贯设计的若干改进方案

考虑检验边界为动点的截尾序贯设计方案,其具有较序贯概率比检验等方法更多的选择,对2类风险也有公式进行计算.在已有序贯检验方案的基础上,利用穷举的方法,改进了部分截尾序贯检验方案.     

改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法。提出一种改进的基于水平集函数的车辆检测算法。利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆。     

基于单值中智VIKOR法的供应商优选模型

针对属性权重未知的供应商优选问题,提出一种基于单值中智VIKOR法的供应商优选模型。首先通过语言变量确定了决策专家和属性指标的权重;接着利用单值中智加权平均算子把所有专家给出的中智决策矩阵进行集结,构建综合中智决策矩阵;然后通过将VIKOR法扩展到单值中智环境下,得到备选供应商的折中最佳方案。最后通过仿真实例说明了模型的有效性和实用性,并结合灵敏性测试,验证了该模型的灵活性。     

集成多普勒观测的目标机动检测算法

基于决策的单模目标跟踪方法的关键是及时而稳健的目标机动检测,充分利用目标多普勒观测量能够有效提高机动检测性能。提出一种集成多普勒观测的目标机动检测算法,利用基于马氏距离的预测寻优方法,克服了多普勒观测噪声水平较高时估计式无解的情况,提高了加速度估计精度;基于奈曼皮尔逊准则设计机动检测器,避免了因目标机动检测的滞后性带来的门限漂移。仿真实验表明,算法提高了加速度估计的精度和稳健性,显著降低了平均检测延迟,有效提高了机动检测性能。     

近空间飞行器鲁棒自适应Backstepping控制

针对变体近空间飞行器(near space vehiele, NSV)大包络、多模态的特性,研究其姿态的鲁棒自适应跟踪控制问题。首先,提出标称变体NSV切换非线性系统的单一且光滑主控制器设计方法,以解决因飞行模态切换引起的主控制舵面跳变。其次,针对切换瞬间复合干扰存在不连续的问题,给出一组同步切换的改进干扰观测器设计方法。将改进干扰观测器的输出与光滑的主控制律相结合组成不确定变体NSV切换非线性系统的复合控制器。采用平均驻留时间分析法证明所提出的控制方法可以保证闭环不确定变体NSV切换非线性系统的稳定性。最后,仿真结果验证了所提方法的有效性。     

n/k(G)表决冗余多阶段任务系统可靠性优化模型

提出采用多阶段任务系统（phased mission systems, PMS）冗余故障树模型和PMS冗余二元决策图（binary decision diagram, BDD）模型来描述冗余多阶段任务系统;通过递归法实现PMS冗余故障树模型到PMS冗余BDD模型的转换,从而得到整个PMS的最小割集;在分析n/k(G)表决冗余模块在PMS中可靠度计算模型的基础上得到整个PMS的可靠性计算模型。以费用最小为目标,构建多阶段任务系统可靠性冗余优化模型,并应用微粒群算法对模型进行求解。算例通过一个三个阶段n/k(G)表决系统来阐述该方法的应用,并验证了模型的合理性及算法的有效性。     

XML路径表达式中公共子查询的优化技术

研究了XML路径表达式的相关查询算法,提出了基于标注后缀树的XML路径表达式公共子查询的优化算法,通过冗余消除技术来提高路径表达式的查询效率·在REOA测试集上,通过对设计的查询进行测试,分析了基于标注后缀树的XML路径表达式公共子查询的优化算法的性能·实验结果表明,基于标注后缀树的XML路径表达式冗余消除技术可以极大地提高路径表达式的查询效率·     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。