基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

基于规则分组的DFA正则表达式匹配算法

模式匹配因误报率低和漏报率低被入侵检测所采用.在使用正则表达式构造DFA时,因状态爆炸导致匹配算法需要较多的存储空间和运行时间,算法效率低下,采用规则分组后,可以在一定程度上抑制状态爆炸问题.根据缓存中的历史记录对正则表达式进行分组,既能利用规则分组减少状态总数,抑制状态爆炸,又能减少因每次重新构建DFA所带来的开销,提高了匹配效率,有利于提高入侵检测的实时性、准确性和高效性.     

基于改进K-means算法的工件表面缺陷分割算法研究

工件表面缺陷的存在影响工件产品的质量以及工件的安全使用,传统的工件表面缺陷检测由人工完成,工作量大且易受到检测人员主观因素的影响,很难保证检测的效率与精度.本文提出了一种基于改进的K-means算法的工件表面缺陷分割算法,将自适应人类学习优化算法应用到K-means聚类算法中,使自适应人类学习优化算法初始化K-means聚类算法的聚类中心,最后将改进的K-means聚类算法结合形态学进行工件表面缺陷的检测.实验表明,该算法能够较理想的分割出工件表面的缺陷,具有分割精度高、实用价值较好的特性.     

自适应跌倒前实时检测方法

为了能利用单一传感器在跌倒撞击前实时检测出跌倒即将发生,结合支持向量机(SVM)和阈值法设计了一种自适应跌倒前实时检测方法.实验结果表明,该方法能在跌倒撞击前实时检测出跌倒即将发生,且比人工阈值法和SVM方法有更长的间隔时间,比SVM方法有更高的召回率和特异度.     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题，提出一种基于经验模态分解(empirical mode decomposition, EMD)能量占比的海面漂浮小目标特征检测方法。首先，采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function, IMF)分量，实现对接收回波的频率从高频到低频的分解。然后，分别建立IMF分量与接收回波数据的相关系数，并利用平均均值-标准差之比作为筛选IMF分量的准则，自动筛选出能量较大且波动平稳的低阶IMF分量。最后，提取IMF分量在原始信号中的平均能量占比作为特征，利用蒙特卡罗方法设置门限，进行海面目标异常检测。实测数据的结果显示，所提算法的性能优于对比算法。     

声学黑洞研究进展与应用

声学黑洞结构作为一种新型的弯曲波调控技术,可以有效地降低结构中弯曲波的传播速度,减小边界末端的反射,形成具有高能量密度的区域,因此在减振、降噪、波动调控以及能量回收等方面具有广阔的应用前景.不同于以往复杂的减振降噪复合结构,声学黑洞因其结构与材料单一,在实际应用方面具有一定的优势.时至今日,针对声学黑洞结构已经进行了大量的基础理论研究和实验探索,并取得了一定的阶段性研究成果.本文首先介绍了声学黑洞的起源和基本原理.然后,全面介绍了理论计算和实验研究方法,详细地综述了声学黑洞结构的4个主要功能性分类,即减振、降噪、波动调控和能量回收,并总结了现在研究存在的问题.最后,对声学黑洞的发展前景进行展望,并指出了未来研究的重点和方向.     

基于剩余能量和距离的WSN混合路由算法

针对低功耗自适应集簇分层型协议(Low-Energy Adaptive Clustering Hierarchy,LEACH)在簇头选举和数据传输过程存在的不足,提出了一种基于剩余能量和距离的WSN混合路由算法.算法在分簇建立阶段,综合考虑节点剩余能量和簇头到基站距离2种因素对无线传感器网络(Wireless Sensor Networks,WSN)分簇的影响,采用了2种因素乘积形式对阈值(n T)进行修正.在数据传输阶段,采用混合路由方式进行数据通信,即比较节点到簇头、基站的距离,当节点距离基站较近时,节点直接与基站进行通信,反之,则通过簇头与基站进行通信.结果表明,考虑剩余能量和距离的混合路由算法的网络性能较为优越,其网络生命周期和基站接收数据包数量较传统LEACH算法都有较大提高.     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。