模糊神经网络在车辆识别中的应用

为提高智能交通系统中汽车车型自动识别的正确率,采用了多传感器移动车辆识别系统的数据融合算法,即用模糊神经网络建立数据融合决策模型,用BP算法对网络进行学习和训练,提高系统的精度和智能化.仿真实验结果表明了算法的有效性.     

圆形腔体内热杆件轴向同心移动湍流换热模拟

提出利用稳态方程求解长杆状发热物体在圆形腔体内做轴向运动时产生湍流对流和传热问题,可以节约计算成本.对3种工况进行了数值模拟,得到整个计算域的流场与温度场.模拟的结果与经典经验公式基本吻合.对比了3种工况条件下发热物体壁面局部努塞尔数、壁面局部温度以及发热物体前后端附近空气的温度分布,发现当圆环流与物体移动逆向时有强化散热作用,而当圆环流与物体移动同向时散热效果变差.     

极小时空的光速和相对论及某些新的量子力学方程

首先探讨微观时的相对论.对极小时空,光速应存在统计起伏.极小时空又联系于高能和高速.而且在高维柱形卷曲空间中光速是可变的和量子化的.由此讨论修改、发展相对论和量子论的可能的某些方法.最后提出存在势和相互作用时几种新的量子力学方程.       

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

基于智能手机和数字图像相关的模型实验变形场测量标点法

为提高模型实验位移测量精度和效率,通过智能手机作为图像采集工具,结合数字图像相关技术获取不同载荷状态下附着于被测体表面标点的位移。基于标点法的基本原理引入刚体运动补偿法进行误差校正以提高测量精度,同时通过实验验证了标点法的可靠性。将标点法应用于相似材料模型实验变形场量测中,在模型表面设置自行研制的数字图像相关技术(digital image correlation, DIC)和全站仪两用标点,利用标点法获取岩层位移,并使用全站仪和百分表同步量测,验证其有效性。结果表明:通过刚体运动补偿法进行误差校正,标点法具有与商业测试系统相当的精度;标点法所测得岩层变化均与实际情况一致,该方法测量结果与百分表的测量结果最大相对偏差为6.1%,与全站仪最大相对偏差为5.7%,满足模型实验测量的精度要求。研究成果为进一步研究覆岩变形和动态沉陷规律提供了新的监测手段。     

基于改进的引导图像滤波和深度去噪自编码器的微弱目标跟踪算法

微弱目标易被周围环境中强烈的噪声干扰,为解决现有目标跟踪算法由于低信噪比导致跟踪准确度低的问题,提出一种将引导图像滤波器和深度去噪自编码器集成到粒子滤波器框架中的跟踪算法。通过引导图像滤波(guided image filter, GIF)算法对目标图像进行滤波处理,保留有价值的模板信息并使不准确的背景模板模糊,有效增强目标图像;通过改进的深度学习算法对深度去噪自编码器训练和微调,更好地适应目标外观变化;构造粒子分类器框架根据粒子重要性权重定位目标。实验结果表明,该算法在微弱目标跟踪准确度和抗干扰能力上优于多种现有主流跟踪算法。     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

距离-多普勒-时间三维雷达数据中的目标能量积累

根据连续多帧雷达距离-多普勒数据中的目标位置关系,提出一种积累距离-多普勒-时间三维空间中目标轨迹的方法。该方法采用多普勒维的移位运算,校正目标的帧间多普勒频移,通过矩阵重组,将校正后的距离-多普勒-时间三维数据分解为并列的距离-时间二维矩阵,最后通过积累重组的二维矩阵中的近似直线的目标轨迹来实现目标能量的长时间积累。该方法采用移位和累加运算完成,运算量小,可在工程应用中实现。实测数据的实验结果表明该方法能大大延长雷达信号的积累时间,有效提高目标的检测概率。     

一种新型自适应粒子群优化粒子滤波算法及应用

基于粒子群优化的粒子滤波算法精度不高,运算复杂度大,难以在实际工程中应用. 为此,文中提出一种新型邻域自适应调整的动态粒子群优化粒子滤波算法. 该算法考虑了粒子的邻域信息,利用多样性因子、邻域扩展因子和邻域限制因子共同对粒子的邻域粒子数量进行自适应调整,控制粒子对邻域的影响,减轻局部最优现象,达到收敛速度和寻优能力的最佳平衡. 利用UNGM模型、目标跟踪模型以及故障检测模型对算法的性能进行仿真测试,结果表明：该算法与PSO-PF相比提高了精度和运算速度,具有实际工程应用价值.     

多尺度自卷积方差显著性SAR图像目标检测

针对SAR图像中显著性目标检测问题,提出一种基于多尺度自卷积方差显著性的自适应检测算法. 该算法在对SAR图像多尺度自卷积运算基础上,通过计算MSAV得到方差显著图. 设计了一种自适应阈值检测器,完成SAR图像中显著性目标的检测. 实验结果表明,在复杂背景环境下,所提算法能有效检测出与人类视觉较为一致的显著性目标.