基于序贯相似度的AGV图像配准方法

在视觉引导AGV技术中,符号识别是关键。为实现AGV对地面符号快速、准确的识别,当AGV视觉系统获得的地面符号图像时,首先利用统计特征区域的黑点数来筛选模板,然后采用基于模板匹配的图像配准算法对筛选后的模板进行匹配,完成识别。经过仿真实验证明,该算法的匹配率普遍达到90%以上,基本满足了AGV模板识别、定位的需要,并且计算量较小、计算时间较短。     

基于服务提供者获益的服务响应选择方法

针对当服务请求超出服务提供者能力的时候,服务提供者如何响应才能满足自身获益最大化问题进行了研究,指出服务提供者获益本质是其自身价值的体现,价格收益只是一种常见的获益形式.提出用响应有效度来表达服务响应的有效程度,并给出了基于历史相似服务请求的有效度估算方法;同时采用响应获益度来表达一次响应对于服务提供者获益的影响,并详细说明了通过将获益目标分解和关系映射,最终使用服务环境基础数据项进行表达的方法.实验结果表明,通过历史相似服务请求对服务响应结果进行预估并据此进行响应选择,能够较好地提高服务响应的成功率,降低失败率和等待超时率,进而提高整体服务提供者获益水平.所提方法不仅适用于服务响应问题的解决,同时有助于服务设计者在设计时更好地将服务目标与服务环境相结合,以提高服务请求者与提供者的协作水平.     

基于加权余弦相似度的XML文档聚类研究

在实际应用中,XML（eXtensible Markup Language）文档中的一些结构经常被改变。为了挖掘XML文档在历史变化过程中经常改变的结构所蕴含的知识,提出了发现频繁变化结构的方法。该方法用一组频繁变化结构组成的文档向量模型代表一个XML文档,将频繁变化结构在簇中的出现比例作为权值,使用加权余弦相似度对XML文档进行聚类。经过实验分析,根据XML文档历史变化过程中的频繁变化结构能较好地将XML文档进行聚类。用加权余弦相似度对XML文档进行聚类,其聚类结果的正确率、召回率和簇内部距离均优于使用非加权余弦相似度对XML文档进行聚类得到的结果。     

大着地角卫星制导炸弹最优制导律研究

为满足卫星制导炸弹大着地角的弹道要求,进行了最优制导律研究。根据卫星制导炸弹的特点,建立了弹目运动状态方程。分别基于极小值原理和通过求解黎卡提方程得到最优制导律,结果一致。对该最优制导律简化后获得了次最优制导律,适用于工程和仿真计算。利用次最优制导律进行了卫星制导炸弹六自由度全弹道仿真,与使用比例导引律的计算结果相比,着地角增加了60%。该制导律可以显著提高着地角和打击精度,能够满足卫星制导炸弹的弹道要求。     

不完备信息系统中改进的LEM2算法

针对LEM2(Learning from Examples Module,Version 2)算法处理不完备信息系统的局限性,从规则提取的质量和效率两个方面对其进行改进,提出改进的LEM2规则提取算法.基于集对理论,引入集对势容差关系和基于集对势容差关系的扩充粗糙集模型,将该模型和LEM2算法相结合,提高规则提取的质量;定义冗余的属性-值对集合,在规则提取过程中,从候选属性-值对集中直接删除冗余的属性-值对,避免反向消除步骤,加快算法的收敛速度,提高规则提取的效率.最后通过仿真实验,证明了改进LEM2算法用于不完备信息系统规则提取的有效性.     

一个解方程ut＋uux=0满足两个守恒律的有限体积格式

本文采用有限体积方法为方程ut＋uux=0;设计了一种差分格式,它的数值解同时满足两个守恒律,能更好地保持解物理上的守恒性质．     

一类大滞后时间系统的智能PID控制

针对一类大滞后时间系统的智能PID参数控制进行了讨论,按照系统误差及误差速度在一个响应振荡周期内不同时刻的不同性质进行分区,分析了不同时段内系统的误差信号内在规律,确立了相应的人工智能控制策略,分段按自适应律调整比例、微分参数.仿真结果表明,该文所介绍的方法在响应速度和平稳性方面都获得了优于文献Pen和Zervos的结果.     

谢邦杰教授对体上矩阵理论研究的贡献及其在中国的进展

注意到体上矩阵研究的价值与困难,综述了谢邦杰教授1978-1982年关于体上矩阵相似标准形、弱标准形刻画定理,可中心矩阵的特征值基础、行列式方案,以及自共轭四元数矩阵的行列式理论等研究成果;进而阐述了1980年以来中国学者在这些成果基础上对体上矩阵的秩、相似标准形理论、四元数矩阵行列式、自共轭四元数矩阵,以及体上矩阵方程与广义逆矩阵等研究的进一步推进。     

基于Lax-Wendroff型时间离散的高精度GDO方法

将传统的GDQ方法与Lax-Wendroff型时间离散相结合,构造出一种时空同步离散的高精度守恒型差分方法.数值试验证明该方法能够很好的模拟激波、压缩波、稀疏波和接触间断等流场特性,并具有精度高、计算量小、形式简单、边界条件易于处理等优点.     

成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.