基于先验知识的神经元模型实现pH检测和控制

针对pH中和过程存在着高度的非线性和不确定性的问题,提出了基于先验知识结合神经元控制完成pH值的检测和控制操作,并分析了pH值有时会产生振荡现象的原因.实验结果表明,该方法可以有效控制具有严重非线性特性的pH中和过程.     

结合全局信息的LIF模型图像分割方法

针对LIF模型对初始轮廓敏感,CV模型对初始轮廓具有较强的鲁棒性,并且2种模型对噪声污染的图像不能取得令人满意结果的问题,在原先模型能量函数基础上,构造新的能量拟合项,增强对噪声的抗噪性.采用新的CV模型,使用图像全局信息得到粗分割结果.以粗分割轮廓作为新的LIF模型的零水平集,利用图像局部信息得到精确分割结果.同时使用一种新的边缘检测算子,重新定义边缘停止函数,进一步提高了模型的抗噪性.实验结果表明,它比CV模型、LIF模型、Chen模型和Qi模型更具优势,具有更强的抗噪性.     

基于Agent的温室无线传感网络分簇管理模型

针对目前温室无线测控系统中未考虑节点能耗以及网络生命期的问题,提出一种基于Agent的温室无线传感网络分簇管理模型.模型中由本地静态Agent负责簇首选择,由簇内、簇间移动Agent负责传感信息采集,通过各Agent的协调合作完成温室无线测控系统的管理.由分析及仿真结果可知,基于Agent的温室无线传感网络分簇管理模型...     

多层局部感知卷积神经网络的高光谱图像分类

针对高光谱图像分类中光谱特征的高度非线性问题，提出一种基于多层感知器卷积层和批标准化层的改进卷积神经网络模型，提高模型在光谱域处理的非线性特征提取能力.该算法通过构建七层网络结构，实现多层局部感知结构，逐个像素对光谱信息开展分析，区分不同目标物的光谱信息，将全光谱段集合作为输入，舍去空间信息，利用动量梯度下降训练算法对多层局部感知卷积神经网络训练，实现对不同目标物体光谱特征的提取与分类.实验中，采用两组高光谱遥感影像进行对比分析，以Pavia University数据集为例，在3 600个训练样本情况下，测试集为1 800个样本，本文方法正确率为90.23%,LeNet-5正确率为87.94%,Linear-SVM正确率为90.00%;在21 000个训练样本情况下，测试集为全部样本，本文方法正确率为97.23%,LeNet-5正确率为96.64%,Linear-SVM正确率为92.40%.实验结果表明，在训练集较小的情况下，本文方法优于传统神经网络，能有效提取数据特征，并且在精度上和计算成本上略优于在小样本分类中具有高效和鲁棒性良好的SVM算法.在大规模训练集时，本文方法表现出良好的学习能力，在分类精度上优于LeNet-5.本文提出的多层局部感知网络结构增强了对非线性特征的学习能力，无论训练集规模大小，都比传统的SVM和一般的深度学习网络更能有效的利用高光谱图像中的逐像素点的光谱域信息，能有效提高分类精度.     

基于DSSS-LFM-FRFT的ZigBee网络中抗RFID干扰研究

针对传统解决ZigBee/RFID(radio frequency identification)2种设备的信号同频干扰问题,采用信道调度算法存在频谱资源利用率低、通信效率低等问题,量化分析了两者信号冲突成因,并提出了基于直接序列扩频再线性调频的分数阶傅里叶变换自适应抗干扰方法(direct sequence spread spectrum-linear frequency modulation-fractional Fourier transform,DSSS-LFM-FRFT)。该方法将传统的ZigBee直接序列扩频技术进行改进,当系统检测到信号干扰时,在接收机解扩之前进行干扰抑制,通过线性调频再扩频技术展宽ZigBee信道信号频谱,接收机前端利用分数阶傅里叶变换滤除掉干扰信号之后再进行分数阶傅里叶逆变换,通过解扩还原信号。实验结果表明,该方法与传统DSSS比较,不仅提高了系统的抗干扰能力,还降低了误码率,实现了ZigBee/RFID共存时高效率通信,提高了无线网络频谱资源利用率。     

基于移动Agent的无线传感网络拓扑控制策略

针对目前无线传感网络拓扑控制算法中未考虑节点能耗问题,提出基于移动Agent的无线传感网络拓扑控制策略,并采用移动Agent洪泛获取网络拓扑信息的方法.该方法由sink节点洪泛拓扑发现Agent进行拓扑发现,由拓扑汇报Agent将拓扑信息传送至sink节点,并根据节点剩余能量动态选择簇头.仿真结果表明,该方法簇头分布均匀合理,能够有效节约网络能耗.