城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

一类离散时间复杂网络系统的输出同步

利用线性稳定性理论和Lyapunov函数方法,研究了一类离散时间复杂网络系统的输出同步问题,得到了系统输出指数同步的充分性条件,数值算例表明了方法的有效性.     

一种HEVC样点自适应补偿快速算法

为解决高性能视频编码标准H.265/HEVC中引入的样点自适应补偿技术的计算复杂度极高导致严重影响编码效率的问题,提出一种HEVC样点自适应补偿快速算法.首先根据编码单元(coding unit, CU)的划分深度确定亮度树形编码块(coding tree block, CTB)中需要提取边缘方向的区域,然后利用边缘方向提取算法获得亮度CTB的边缘方向列表,并根据此列表减少亮度CTB在模式判别过程中遍历的模式数量,最后利用亮度和色度CTB之间的相关性进一步简化色度CTB的模式判别过程.实验结果表明,在性能损失较小的情况下,本算法可以在全I帧(AI)、随机访问(RA)、低延时B帧(LB)、低延时P帧(LP)四种配置下分别节省31.75%、 56.85%、 52.81%、 51.51%的样点自适应补偿编码时间.     

单快拍相干信号自适应波束形成方法

针对低快拍条件下相干信号波束形成问题,提出一种单快拍相干自适应波束形成方法。首先,构造Duvall特征消除器滤除阵列接收信号中的期望信号,再利用空间平滑方法解相关。然后,依据Hung Tuner算法对平滑后的协方差矩阵进行Gram Schmidt正交化,快速重构干扰信号子空间。最后,将静态权矢量在干扰子空间内的正交投影作为波束形成最优权矢量。该算法可有效避免协方差矩阵求逆和特征分解造成的复杂计算,且能降低由于期望信号泄露造成的子空间估计误差,在单快拍条件下性能良好。仿真分析验证了算法的优越性和理论分析的有效性。     

惯性导航系统水平阻尼网络的自适应控制

当海况变化较大时，惯性导航系统(INS)的误差振荡幅度较大．为了减小系统误差的振荡幅度，提出了一种新的设计思想，采用自适应控制方法，根据实际的海况变化情况，实时校正阻尼参数，使由舰船的机动性造成的系统误差最小．结果表明，与传统方法相比，水平误差角振荡幅度减小了约50％，速度误差振荡幅度减小了约30％．经度、纬度和航向误差振荡幅度也有明显改善；水平阻尼网络的自适应控制有效地改善了INS的动态性能．     

织机电子送经与电子卷取运动的同步控制

采用主，从单片机控制织机的电子送取运动，通过主单片机输入和修改织机有关参数，该方案具有自动化程度高，织机同步性能好的优点。     

神经网络自适应滤波器在故障诊断中的应用

分析了用自适应滤波器进行故障诊断的方法．针对该方法在计算上要花费大量时间、难于完成实时诊断任务的缺点，提出了用神经网络自适应滤波器来完成故障诊断的方法．神经网络有极快的运行速度，能很好地完成实时诊断任务．     

基于广义混沌同步的数字图像隐藏方案

基于广义混沌同步理论，提出了一种适于网络图像传输的隐藏数字图像的安全通讯方案．构造了一个六维广义混沌同步系统作为新方案的加密器，理论分析和计算机模拟说明本方案具有较高的保真度和较强的抗破译能力．     

一类混沌系统的自适应模糊控制器设计

通过混沌系统的形式的抽象，提出了一种间接自适应模糊控制方法来控制一类具有未知非线性函数的混沌系统跟踪一参考轨迹．     

A Dynamic Forecasting System with Applications in Production Logistics

Production logistics involve the co-ordination of ac tivities such as production and materials control (PMC), inventory management, p roduct life cycle management, etc. Those activities demand for an accurate forec asting model. However, the conventional methods of making sell and buy decision based on human forecast or conventional moving average and exponential smoothing methods is no longer be sufficient to meet the future need. Furthermore, the un derlying statistics of the market information change ...