基于改进麻雀搜索算法及动态窗口法的路径规划

对于麻雀搜索算法收敛中期局部探索能力不足、在路径规划方面路径不平滑且动态避障能力差的缺点。首先针对麻雀搜索算法局部探索能力的不足,利用混沌映射初始化种群,并且利用上一代全局最优解与动态自适应权重优化发现者位置更新方式;然后,使用一种线性路径策略,减少折点与节点数量;最后,针对其路径不平滑,动态避障能力差的缺点,将优化后的麻雀搜索算法与动态窗口法融合。实验结果表明改进的麻雀搜索算法与动态窗口法融合算法平衡了全局与局部发掘能力,加快了寻路过程的收敛速度,优化了路径且避障能力显著提高。     

一种新的混合滤波算法

在超限像素滤波的基础上,融合了均值滤波和中值滤波的优点,提出了基于3种滤波的1种新的混合滤波算法．由实验的图像、均方误差（MSE）、峰值信噪比（PSNR）和Q指标可以看出,这种新的混合滤波算法能有效地滤除图像多种噪声,较好地保护图像的边缘和细节．     

和声搜索算法在聚类分析中的应用

提出了一种改进的和声搜索算法并应用到聚类分析中.首先,将状态反馈机制引入到和声搜索算法中,通过判断和声记忆库中"最优"和声和"最差"和声之间的差异,来动态调整和声记忆库考虑概率和移动步长,使算法能够快速地收敛到全局最优解.通过更新和声向量中精度变量对应的聚类中心来最小化目标函数值,获得数据样本的最优划分.其次,提出了一种数据样本真实聚类中心数的确定方法,当输入样本数大于真实聚类中心数时,通过计算能够自动地确定数据样本真实聚类中心数目.最后,应用4种性能指标来比较所提算法与蚁群聚类算法和原始和声搜索聚类算法的性能.结果表明,所提算法的性能优于另两种算法.     

云南大理苍山保护区植被覆盖度动态变化遥感监测与分析

大理苍山物种多样性丰富但生态系统相对脆弱,评估苍山植被覆盖度为改善苍山生态环境和物种多样性具有重要意义。利用ENVI遥感软件对大理苍山自然保护区的4期遥感图像进行处理,提取归一化植被指数(normalized difference vegetation index, NDVI),利用像素二分模型对大理苍山自然保护区的植被覆盖度进行估算,对植被覆盖度的变化原因进行综合分析。结果表明:2001—2005年植被覆盖度从0.32上升到0.38,上升了0.06;2005—2009年植被覆盖度由0.38下降到0.35,下降了0.03;2009—2011年,植被覆盖度由0.35上升到0.45,上升了0.1。可见综合分析植被覆盖度的年际变化对大理苍山的植被保护和维护生物多样性具有重要的应用参考价值。     

基于ElasticSearch的网络舆情搜索平台设计

针对网络上各种信息混杂、信息传播速度快、有害信息混杂其中、网络舆情治理难的问题,为及时搜索网络信息提供一个搜索服务平台。实现了基于ElasticSearch为搜索引擎,提供通过关键字搜索舆情信息的服务,并使用JavaWeb技术进行功能的实现。该平台同时具有实用性和可扩展性,对于类似的搜索平台有着借鉴意义。     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络(DBN-APSOBP)组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的APSO去优化BP神经网络——APSO-BP的组合预测模型,用DBN模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。     

一种用于提取医学图象边缘的新方法

本文运用图论中启发式搜索法，能够克服人体器官边缘轮廓中某些区域出现灰度模糊，智能地提取精确的边界。本文所述方法能推广到光照不均匀和边缘有重叠物体图象中提取边界     

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。     

基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程繁琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合完备集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）多尺度模糊熵和麻雀搜索算法（SSA）优化BP神经网络的VP型宽频带垂直摆倾斜仪故障自动诊断方法。该方法首先将故障数据归一化,利用CEEMD分解信号得到本征模态函数（IMF）的多尺度模糊熵,然后基于麻雀搜索算法（SSA）优化BP神经网络的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMD多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.758 1、6.321 6个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白。     

基于深度学习神经网络和量子遗传算法的柔性作业车间动态调度

针对柔性作业车间动态调度问题构建以平均延期惩罚、能耗、偏差度为目标的动态调度优化模型,提出一种基于深度Q学习神经网络的量子遗传算法。首先搭建基于动态事件扰动和周期性重调度的学习环境,利用深度Q学习神经网络算法,建立环境■行为评价神经网络模型作为优化模型的适应度函数。然后利用改进的量子遗传算法求解动态调度优化模型。该算法设计了基于工序编码和设备编码的多层编码解码方案;制定了基于适应度的动态调整旋转角策略,提高了种群的收敛速度;结合基于Tent映射的混沌搜索算法,以跳出局部最优解。最后通过测试算例验证了环境-行为评价神经网络模型的鲁棒性和对环境的适应性,以及优化算法的有效性。