基于数学形态学多级平均的图像边缘检测

提出了一种基于多级平均的数学形态学图像边缘检测方法，分析了图像边缘提取的特点．与其它形态学边缘检测方法进行了比较知，该方法在保持良好边缘的同时，提高了抗噪能力．     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

多尺度自适应Gamma矫正的低照图像增强

为了在提高低照图像的亮度和对比度的同时,保持图像的色彩自然度,提出了多尺度自适应Gamma矫正的低照图像增强方法.鉴于HSI颜色空间的明度分量Ⅰ决定着图像的明暗程度,以及明度分量的多尺度特性,首先,将图像转换到HSI颜色空间,对明度分量Ⅰ进行多尺度Retinex分解;然后,对分解得到的多尺度光照图像分别进行自适应的Gamma矫正,其中Gamma指数自适应于暗区像素的占比,鲁棒地改善光照图像的光照分布,经Retinex反变换得到增强的多尺度明度分量;最后,将增强的多尺度明度分量的线性融合作为增强的明度分量Ⅰ’,与色相分量H和饱和度分量S重组,得到最后的增强图像.实验结果表明,相对于部分最新提出的现有方法,新方法的PSNR和SSIM值分别高出1.19 dB和1.8%以上,具有更好的增强效果和鲁棒性,增强图像的视觉效果更适宜,对比度更高.     

红霉素发酵生产后期的调控研究

采用FUS-50L（A）生物反应器对红霉素发酵生产过程进行调控，在后期按优化方案向发酵液中补入混合物X，可使最终发酵液的生物效价和红霉素A组分的相对百分含量分别由对照样品的6089u／mL、81．16％提高至条件样品的8316u／mL、89．78％．同时，通过多尺度参数分析，阐明了红霉素发酵生产后期优化控制的重要性．     

基于Matlab的多尺度主元分析在过程监控中应用

提出一种新的基于Matlab的多尺度主元分析方法(MSPCA)，即综合主元分析去除变量间关联、小波分析提取测量决定性特征和可去除测量自相关性的优势，用于多变量统计过程的监控，用MSPCA进行过程监控，不仅能提高侦察决定性交化的能力，而且能提高自相关测量监控的效率，同时还可以提取反常操作特征信号，算例测试表明，与普通PCA方法相比，MSPCA方法在过程监控中比较有效。     

多梯度流域变换算法与传统算法比较

流域变换是图像分割的有力工具，流域分割方法的性能主要依赖于图像梯度。文中利用传统单尺度梯度算子流域分割算法和多尺度形态梯度流域变换算法，分别作用于计算机视觉细胞图像和水果图像，结果显示传统分割算法和多尺度算子流域分割算法在不同的图像中显示出各自的优越性，第一种算法更适合于交叠区域不是很多，但质地不必十分均匀的图像；第二种则更适合于交叠区域较多，质地较均匀的图像。     

微观力学中的对应原理

在连续介质微观力学中,有两类基于微结构信息确定非匀质介质有效性能的基本理论:基于物理的平均场理论和基于数学的渐近均匀化理论.讨论了采用渐近均匀化理论求解具有孔洞的、具有周期性微结构的线弹性复合材料的有效弹性张量的提法、解法和步骤.以渐近均匀化方法为例,讨论了对应原理在求解微观力学线粘弹性问题中的应用     

以矩形/长方体为周期复合材料的弹性力学问题的多尺度分析

针对呈矩形／长方体为周期的复合材料弹性力学问题，对具有高速震荡系数的弹性方程给出了一种多尺度渐进分析方法，描述了以矩形／长方体为周期的复合材料以及相关的弹性力学方程．对此种周期区域进行双尺度分析得到其计算力学性能参数的公式及相应位移场的一些理论结果，给出了基于双尺度方法来计算复合材料的多尺度计算程序．     

广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.