啤酒酵母和异常汉逊酵母属间原生质体融合

本文探索了用不可逆生化抑制剂(碘乙酸)抑制—亲株细胞某些酶活性的同时,利用两亲株细胞生理性差异作为啤洒酵母(Saccharomyces cerevisiae)和异常汉逊酵母(Hansenula anomala)原生质体融合选择性标记的可行性。结果表明这一选择系统简便、可靠和适用。属间原生质体融合率为1.48-2.25×10~8。经菌落形态比较,碳化合物的发酵和同化,DNA含量测定,酯酶型分析,细胞核染色和自然核分离实验,结果表明从选择性培养基上筛选到的菌株分为三种类型:84.4％异常汉逊酵母型:10.4％啤酒酵母型:5.2％是真正核融合子型。本文还讨论了三种类型菌株出现的机理。     

基于改进支持向量机的车牌识别

针对目前市场上使用的监控设备在雾霾天气下辨识精度和速度不足等问题,采用小波低频融合原理对采集到的图像预处理,并基于改进支持向量机算法对预处理后的车牌图像提取特征值。实验结果表明,改进后的车牌识别方法与传统方法相比,提高了辨别速度,减小了误识率,为雾天视频监控系统的研发提供了新的思路。     

基于BP神经网络的GPS/SINS姿态测量融合算法

针对传统全球定位系统/捷联惯性导航系统(global positioning system/strapdown inertial navigation system,GPS/SINS)组合系统信息融合技术存在的不足,设计了适用于GPS/SINS组合系统姿态测量的反向传播(back-propagation,BP)神经网络模型,并在标准BP算法基础上,采用限制初始权值和阈值?动态删减隐含层节点数和修改激活函数的改进算法,从而减小BP算法在GPS/SINS组合姿态测量过程中的训练误差,提高网络训练的相应速度及精度?最后通过算法仿真和分析结果图得出改进后的BP神经网络算法在GPS/SINS组合姿态测量系统中高效可行,且测姿性能优越?     

基于回归预测算法的无线传感器数据融合

无线传感器网络技术作为21世纪最有影响力的世纪技术,得到了越来越多的广泛关注,而无线传感器的能量问题,是制约无线传感器网络发展的核心问题之一。由于无线传感器的能量十分有限,因此要求尽最大可能减少能量的消耗,进而达到延长使用寿命的目的。课题从研究无线传感器节点采集到的数据开始,通过对采集到的周期数据进行分析,找出某种潜在规律,从而选择一种现有的回归模型进行下一周期的预测,如果下一采集周期的采集数据满足预测规律,则不必向汇聚节点上传数据,进而减少了数据的传送次数,节约了能量。基于回归预测算法的无线传感器数据融合是依据沈阳地区的温度数据为样本,同时应用MATLAB仿真模拟,根据模拟验证的结果表明该算法确实做到了减少数据的传输量,达到了节约传感器能量,延长了无线传感器网络寿命的目标。     

特征差异驱动的红外偏振与光强图像融合简

针对原有红外偏振融合算法中单一差异特征对不确定和随机变化的图像特征信息不能有效描述而产生不利于融合的问题,本文在分析源图像差异特征形成机理基础上,提出了一种基于NSCT（non-subsampled contourlet transform）的红外偏振与光强图像的特征差异驱动融合算法。通过实验仿真表明,相比SVT（support value transform）、WPT（wavelet packet transform）和NSCTLELV（NSCT local energy and local variance）,该算法能更有效地融合源图像的互补和细节信息,且在实际的目标识别中具有一定的应用价值。     

图像分块融合算法速度优化处理研究

相比于自然界现阶段人们所持有的取像设备有着较低的动态范围,在某种曝光强度下,自然界的所有细节很难被完全抓取,图像的部分细节还是模糊的.基于对此现象的认识,本文通过将不同曝光度图像合成的方法,获取到了质量较高的融合图像,并在保证图像效果的基础上,通过加窗运算的方式,提高了算法在图像分块融合处理上的执行速度,保证了算法效率.     

基于区间小波的红外/可见光图像融合

针对红外和可见光图像的特点,结合V. Petrovic提出的融合方法,给出了一种改进的基于区间小波的图像融合算法. 按照V. Petrovic的方法对源图像的梯度细节图像进行融合/分解并得到源图像的多尺度金字塔,对金字塔中的两个低通分量加权平均后进行反变换,得到融合图像. 目视观察和客观评价指标表明:算法取得了较好的融合效果,并且区间双正交小波融合效果好于区间正交小波,这符合双正交小波具有对称性,更适合图像处理的特性.     

基于人工生命的信息融合开发平台的研究

采用模块化的设计思想,用Matlab和VC混合编程,实现了平台的开发。对基于神经网络的信息融合,利用一组工业数据进行了实验,实践结果表明该子平台对信息融合处理是有效的。采用模拟人的形象思维能力,利用细胞神经网络对图像的边界信息进行提取,再综合像素比较,曲线特征等多信息进行融合,模拟了简单的拟人形象思维。     

内逆 P-信息智能融合与属性析取扩展关系

逆P-集合是由内逆P-集合与外逆P-集合共同构成的动态模型。逆P-推理是由逆P-集合生成的动态推理,它由内逆P-推理与外逆P-推理共同构成。利用内逆P-集合与内逆P-推理交叉、渗透,给出内逆P-信息智能融合生成与它的属性特征、信息智能融合度与信息智能融合系数概念、外-信息智能融合环定理与融合度-融合系数定理,最后给出内逆P-信息智能融合与它的属性析取扩展结构与属性析取扩展定理。     

内 P-信息融合与它的属性合取特征

P-集合是由内P-集合XF珔与外P-集合XF 构成的元素集合对,或者（ XF珔,XF ）是P-集合,P-集合具有动态特征。利用内P-集合给出内P-信息融合生成、内P-信息融合剩余生成与内P-信息融合度量概念,得到内P-信息融合生成定理、依赖定理、还原定理,还给出内P-信息融合的属性合取定理与属性合取扩展定理和属性合取扩展-内P-信息融合发现原理。最后利用这些结果给出应用。