基于粒子群优化算法的井下目标定位方法

针对矿井结构复杂,井下未知节点定位存在信标节点布置冗余、定位精度低等问题,提出了一种基于粒子群优化算法的井下目标定位方法。根据矿井环境特点区块化布置信标节点,通过引入线性递减权重的粒子群算法对未知节点与信标节点的测量距离和估计距离的误差进行优化,降低定位误差。与四边测量法、加权最小二乘法和RSSI加权质心算法进行Matlab仿真对比实验。仿真结果显示:信标节点为5个,节点总数为15时,平均定位误差为0.877 m。高斯白噪声标准差取值范围从5递增到20,平均定位误差由1.21 m增长到4.65 m,增长幅度最小,抗噪性最好。信标节点密度由10%增加到40%,平均定位误差从2.82 m下降到0.76 m,定位精度明显好于其他三种算法,稳定性好于RSSI加权质心算法。定位精度更高,抗噪性更好,可靠稳定,在井下巷道环境中适应性更强。     

基于解空间高效编码的配电网重构连续化算法

提出一种基于解空间高效编码的配电网重构连续化算法.推导基于负荷电流的网损计算近似公式以估计开关交换支路范围,压缩解空间,提高寻优效率;建立连续变量解与离散变量解存在映射关系的双种群解空间,避开直接求解离散变量,减小计算量且适用连续变量优化方法求解;在一定编码规则下降维并减小变量置信区间半径后,通过编码规则和算法特性从概率上规避第一类非有效解,比对专家库完全规避第二类非有效解,使潮流计算次数大幅减少;改进纵横交叉算法,横向交叉引入方向性,采纳模糊聚类思想将静态纵向交叉因子动态化,收敛速度和精度得到改善.仿真结果验证了该方法的正确性和有效性.     

基于粒子滤波的分布式智能故障诊断系统研究

针对传统故障诊断系统硬件结构以及故障识别算法过于复杂的问题,提出并研究了一种基于粒子滤波的分布式智能故障诊断系统.该系统采用ZigBee无线传感网络实现系统分布式多变量参数的实时采集,基于粒子滤波算法在线处理各变量数据,并基于简易模式识别算法获得系统真实状态的准确估计,实现系统故障的智能诊断与故障预示.智能故障诊断系统由ZigBee无线传感数据采集网络、粒子滤波算法、系统状态模型和故障模式识别四部分构成.粒子滤波算法基于粒子序贯重要性重采样和蒙特卡洛方法对传感器采集数据滤波,抑制或消除干扰及显著性误差对系统状态估计的影响,可避免粒子退化.故障模式识别就是求取与粒子滤波输出的系统状态估计曲线残差之和最小的系统状态模型.智能故障诊断系统的实现和实例实验结果表明该系统能实现对象的远程监测、对象状态的精确估计、对象故障的准确诊断,拓宽了分布式传感网络的应用范围,并具有成本低、可靠性高、实时性好和易实现的优点.     

基于改进隐马尔科夫模型的鲁棒用户行为识别

提出了一种基于改进隐马尔科夫模型的用户行为识别方法.采用遗传算法用于优化隐马尔科夫模型的初始参数,将混沌算子代替遗传算法中高斯变异算子,以避免传统遗传算法在收敛过程中的停滞和早熟问题,并有效解决传统隐马尔科夫模型中Baum-Welch算法对初始参数敏感的问题.此外,采用UCI中ADLs数据对用户行为进行识别,实验结果表明该方法具有很高的识别率和可靠性.     

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.     

贝叶斯预测蜂群算法在无线传感器网络优化中的应用

针对无线传感器网络(WSN,wireless sensor network)节点分布不合理,存在较多的监测盲区等不足,提出了利用贝叶斯预测人工蜂群算法(BPABC,Bayesian predictive artificial bee colony algorithm)制定节点分布方案。BPABC算法借鉴贝叶斯预测算法的思想对蜂群算法中各蜜源存在最优解的概率进行预测,并以此为依据指导跟随蜂寻优工作。采用BPABC算法对WSN中的节点分布进行优化,与人工蜂群算法、全局人工蜂群算法制定的优化方案进行比较。结果表明,BPABC在平均覆盖率、最差覆盖率等方面均优于其他两种算法,并且BPABC算法在迭代收敛速度方面也有明显的优势。为了进一步验证改进算法的实用性,采用BPABC制定不同监测区域的WSN节点分布方案。WSN的覆盖率均在97%左右,并且标准差不超过0.005%。由此可见,基于BPABC的WSN节点分布优化方案具有较高的覆盖率、良好的适应性和稳定性。     

配电网故障暂态信号的逼近处理方法

针对一些需尽快计算故障后稳态电流电压值的应用情况,如配网配变支路保护、用户侧保护等,短时间内处理电流电压故障暂态信号成为了一个必须面对的问题。现有电网故障信号处理方法通常受限于采样数据长度和待求参数数量,存在处理电流电压故障暂态信号时间较长和难求取的问题。利用配网故障暂态电压电流的特点,由稳态工频分量和直流衰减分量组合建模近似表征配网故障暂态电压电流,采用粒子群高斯牛顿混合算法对此模型的各参数进行辨识,实现暂态参数的求取。仿真分析和工程应用表明,该方法可缩减待求参数个数,利用较短的采样数据对故障暂态电压电流信号参数进行求取,且具有较高鲁棒性。     

基于多尺度熵和动态时间规整的步态身份识别

针对现有人体步态身份识别算法单一、准确率较低的问题,提出了一种基于多尺度熵和动态时间规整（DTW,dynamic time warping）的人体步态身份识别方法。采用自制的APP软件在较低采样率下采集人体步行加速度数据,实验中共采集50名志愿者的正常行走加速度数据,使用多尺度熵算法进行数据处理,得到在各个尺度下的熵值,最后采用DTW算法对多尺度熵值进行特征匹配,得到的相对错误率（EER,equal error rate）为13.7%,仿真结果表明基于多尺度熵和DTW算法相结合的方法较好提高了身份识别的准确率,为人体步态身份识别提供了一个新的思路。     

基于机器视觉的柔性机械臂振动位移测量

 针对传统的振动位移测量方法中,间接测量法误差较大、准确度较低,而直接测量法虽能达到精度,但成本较高、实用性较差的问题,提出一种基于机器视觉的振动位移测量方法。选取电机驱动运动的柔性机械臂作为测量对象,通过CCD相机采集机械臂末端标记点运动图像,再经过阈值分割、质心检测等视觉处理,得到机械臂振动位移信息。通过搭建实验平台对该方法进行实验验证,并与压电材料测量法及仿真法得到的振动位移进行对比,结果表明,基于机器视觉的振动位移测量方法能够在不接触工况下,对柔性机械臂进行准确、实时的振动位移测量,相比于压电材料测量法,避免了公式误差等影响,具有明显的优越性。     

基于蚁群算法的肿瘤驱动通路搜索方法研究

肿瘤的发生和发展主要是由基因突变的累积导致细胞信号通路调控紊乱而引起的.将通路中基因集的两个特性——高覆盖性和高排他性,与基因协变量相结合,提出了一种基于蚁群优化算法的驱动通路搜索方法.旨在基因突变数据及基因协变量数据的基础上,搜索满足高覆盖性和高排他性的通路基因集,从而识别致癌的驱动通路.首先,通过对基因表达水平、复制时间和染色体状态3个基因协变量相互的关联性,以及它们与基因突变频率的相关性进行分析,选择复制时间作为影响基因突变频率的权重协变量.然后,将权重协变量与现有方法结合,构造了一个新的最大权重子矩阵函数作为组合优化问题的目标函数.为克服该优化问题的NP难题,采用蚁群优化算法求解.应用该方法在肺腺癌的突变数据上进行了分析与验证.结果证明,该方法不仅比现有方法找到了更多在已证实通路中的癌基因,而且其中包含多个互斥性显著的基因对,证明了方法的有效性.