基于小波变换与野草算法的细胞图像特征提取与识别

本文在细胞图像小波多尺度分解的基础上,提出在小波域中进行细胞图像特征提取的方法。针对基于小波变换提取的细胞图像特征向量维数过大、冗余等问题,提出一种基于小波变换与野草优化算法相结合的细胞图像特征的提取方法,最后利用BP神经网络作为分类器进行细胞图像识别。计算机实验仿真结果表明,与现有的未进行特征优化的细胞图像特征提取识别方法相比,本文细胞图像特征提取、分析、识别方法所需时间更短,识别正确率更高,实时性、鲁棒性能更好。     

基于改进SIFT 算法的掌纹图像拼接

为解决采集的掌纹图像不完整的问题, 改进了SIFT 特征图像拼接算法, 从而得到完整掌纹图像, 提出LoG-SIFT 特征点匹配拼接算法并设计一种剔除误匹配点对策略。实验结果显示, 改进后算法能增强手掌表面纹线特征, 显著提高特征点对匹配数量, 降低点对匹配错误率。     

基于遍历基因组合的特征基因选取方法

特征基因的选取是非常热门的问题,在癌症是由某个或者某几个基因共同相互作用引起变异的假设下,从最简单的2个基因组合进行研究,遍历所有可能的基因组合,运用Logistic回归分类器,以预测精度和AIC准则为评价标准,对所有的模拟结果进行评价,得到最优基因组合（X55187,D14812）。同时运用交叉留一检验,验证了此基因组合建立模型的稳定性。最后又对预测精度大于90%的640对基因组合进行频数分析,并与已有文献进行比较,得到出现频率高的基因组合,预测精度并不一定高的结论。     

泸定县寨子沟泥石流基本特征及危险性评价

泸定县寨子沟泥石流是一条老泥石流沟,为科学评价其发展趋势及危险性,在现场调查的基础上,对该泥石流沟的形成条件、动力学特征及危险性进行了分析评价。结果表明,寨子沟泥石流的形成条件充分,属中度危险泥石流沟,并提出了相应的防治建议。     

吉林省风能资源利用现状及弃风解决方案探讨

为有效应对吉林省风电发展中的弃风问题,对吉林省风能分布、利用状况进行综述,利用统计数据对吉林省风能资源特点及风力发电出力规律特性进行分析和总结,并提出具有可操作性的解决吉林省弃风问题的方案,力求构建吉林省新型能源消费结构,以新能源替代和抑制常规非再生能源的消费增长,为吉林省节能减排及低碳经济发展探索新思路。     

豫西地区中古生代构造特征与油气前景评价

通过76条测线近2 238 km的地震解释对豫西地区构造特征进行深入研究,该地区断裂复杂,受其影响,油气运聚成藏差异较大,但构造特征对油气有明显控制作用,油气具有南北成带、东西分隔的特征。油气勘探的研究基础往往是区域范围内不同的构造单元,同一构造单元的地质构造、沉积环境特征及油气分布特征相对统一,构造单元划分有利于深化盆地地质认识指导油气勘探。综合利用地震、钻井、钻孔以及地面露头等方面的资料,在分析了豫西地区平面和剖面上断裂体系特征的基础上,主要依据各盆山关系,及各自的构造变形的差异性,将豫西地区分为10个二级构造单元,再由不同构造单元的地质环境及断裂特征,得出油气前景评价的结果,认为伊川冲断-断陷区为当前豫西地区油气勘探最有利的地区,其次是渑池-新安冲断-断块区。上述研究认识为豫西地区油气地质研究及有利勘探区的优选等提供了参考和指导。     

特征点提取算法比较及四旋翼平台验证

针对视觉导航中存在的图像特征点提取精度与用时之间的矛盾,对几种常用的特征点提取算法(Harris,SIFT,SURF)进行了论述,并针对SIFT算法和SURF算法进行了比较,同时搭建了四旋翼验证平台,利用四旋翼实验平台,针对自然环境中的实物测试了上述两种算法的提取精度与用时,结果表明SURF算法是视觉导航中综合考虑匹配的正确率及实时性的较优选择.     

基于退化特征相似性的航空发动机寿命预测

针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通〖JP2〗过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。