快电子扫描高清晰度硅靶摄象管的理论研究

文中提出一种新型的高清晰度电视摄象管的方案。特点是采用“反向击穿硅光电二极管”做靶面,并用快电子扫描。它不仅具有快电子扫描分辨率高的优点,还具有慢电子扫描的优点,因而是高清晰度电视摄象管的较理想的工作模式。文中讨论了该方案的有关理论问题。     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

飞机移动生产线物料配送与线边存储集成优化

为了解决飞机移动生产线中多并行作业物料的供给问题,构建了飞机移动生产线物料配送与线边存储集成决策的模型并设计了求解算法.在物料组批和小车调度的基础上,引入了物料在线边空间的存储决策,建立了以小车出行趟数最小化为目标的数学模型并设计了一种以免疫算法为框架的启发式算法.在免疫算法较优的全局搜索能力下,综合考虑小车的配送能力与线边空间的重复使用、共享等因素,使用反向动态小车调度算法和物料存储前瞻算法对物料的组批方式、配送时刻和在线边的存放位置三类变量联合进行决策.对提出的算法进行了数值实验,实验结果证明了模型与算法的有效性.     

基于海量散乱数据的数据压缩及曲面重建新方法

基于三维散乱数据的曲面重构是反向工程中的一项关键技术.文章针对大规模的散乱数据点,给出了一种数据压缩及生成曲面三角网格的新算法.该算法首先按照压缩比例在原始点中提取定量的分布均匀的点作为压缩后的点,然后利用原始点和压缩后的点之间的关系构建三角网格.最后再进行拓扑修正及网格优化,从而得到拓扑正确且均匀的三角网格曲面.实验表明,该算法简单,易于操作,具有较强的适用性.     

一种设定记忆长度的轧辊偏心在线检测算法

轧制控制过程中轧辊偏心信号是影响带钢厚度精度的重要因素.针对该类问题,将基于设定记忆长度的在线反向传播算法用于对偏心信号的检测.通过与普通在线反向传播算法在检测性能上的对比表明:该方法具有学习收敛速度快,抗噪声能力强等特点,可有效使变幅、变相和变频的偏心信号引起的厚度波动减少95%左右,从而准确地补偿由偏心信号引起的厚度偏差,提高轧钢过程中的带钢厚度精度.     

应用反向传播神经网络算法的发动机动态总压畸变预测

为提高动态总压畸变预测的准确性,通过引入反向传播神经网络算法,研究其在紊流相关中的可行性和准确性.结果 表明:反向传播神经网络可应用于紊流相关以预测动态总压畸变;采用单个工况进行自我预测时,神经网络显示了良好的预测能力,预测结果与试验值吻合很好;采用反向传播神经网络法,5个工况作为样本预测各工况紊流度时,样本工况的平均...     

基于Borges差分的RMSprop算法及在卷积神经网络参数训练中的应用

针对RMSprop算法存在梯度消失和局部最优的问题，本文提出了一种基于Borges差分的RMSprop算法并应用到卷积神经网络参数训练方法.根据Borges分形导数的定义，本文给出了Borges差分的定义；将Borges差分与RMSprop算法相结合，提出了基于Borges差分的RMSprop优化算法，提高了图像识别的精度和学习收敛速度；给出了一种基于梯度信息的自适应的调整阶次的方法.本文以Fashion-MNIST数据集为例，分析了阶次对网络参数训练结果的影响，验证了本文提出的算法提高卷积神经网络的识别精度和学习收敛速度的有效性.     

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C 以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO 算法生成的平均路径长度、路径长度标准差都优于对比算法。     

基于反向K近邻和密度峰值初始化的加权Kmeans聚类入侵检测算法

传统Kmeans聚类算法的性能易受初始类簇中心随机性和类簇中心计算的迭代过程中边缘点和离群点反复计入的影响，为了避免这些影响，该文提出一种基于反向K近邻和密度峰值初始化的加权Kmeans聚类算法。通过样本的近邻信息计算每个样本的反向K近邻，针对不同规模、不同密度分布数据集，可以自适应地搜索密度峰值点作为初始类簇中心；自适应设定相对簇半径，并通过样本加权进行类簇中心迭代，在不同数据分布下可以有效降低边缘点和离群点对聚类结果的影响。试验结果证明，该算法在聚类性能提升的同时迭代次数大幅降低，随着入侵行为类型和数据规模的增加，该文聚类算法仍体现出较好的性能，且在发现未知攻击类型上效果显著。     

基于多尺度特征和反向注意力的肝脏肿瘤自动分割方法

肝脏肿瘤分割旨在定位肝脏肿瘤区域，以辅助医生进行精准诊治。鉴于深度学习能自动学习医学图像中复杂的特征和结构，已成为肝脏肿瘤分割的主流方法之一。但肝脏肿瘤的大小、形态存在显著差异及边缘模糊等问题，限制了深度学习模型的分割性能。基于此，该文提出了一种融合多尺度特征和反向注意力机制的深度网络，并用于肝脏肿瘤的自动分割。具体地，基于U-Net模型的框架，分别设计了多尺度特征提取模块和基于深度监督的反向注意力模块，使得网络能根据分割目标的大小自适应地选择不同尺度的特征，并引导网络关注分割目标的边缘特征，进而提高网络的边缘分割能力。此外，设计了一种新的混合损失，以解决医学图像分割中的类别不平衡问题。最后，在MICCAI2017 LiTS挑战赛数据集的数值实验结果表明，所提方法的Dice系数、平均对称表面距离ASSD分别为76.12%和3.25 mm。