利用扣件位置关系定位图像边缘处不完整扣件的方法

扣件定位在扣件检测过程中具有至关重要的作用,其准确性直接关系到后续检测的可靠性。在使用线阵相机采集扣件图像时,扣件在图像中的位置并不固定,将会导致同一扣件可能横跨连续的2张图像,并在图像边缘处被截断。本文将这些被截断的扣件称为不完整扣件,其上半部分和下半部分分别出现在2张连续图像边缘处。不完整扣件由于形状缺失,难以定位其位置,从而降低了扣件检测的可靠性。为解决上述问题,本文提出一种利用扣件位置关系定位不完整扣件的方法。首先,通过像素统计法定位原始图像中的钢轨位置,并基于先验知识获得包含钢轨和扣件的原始图像子图,本文称所获得子图像为条形钢轨图;然后,拼接条形钢轨图,保证图像内存在多对扣件;接着,利用模板匹配获得与扣件模板最相似的位置,再利用该位置信息以及扣件之间的位置关系判断图像中是否存在不完整扣件并获取不完整扣件位置信息;最后,将2部分不完整扣件拼合为一张完整的扣件图像。研究结果表明,本文提出的方法能够100%定位采集图像中115对不完整扣件图像。研究结果具有实际工程价值,能够有效地解决图像边缘处不完整扣件定位问题,提高扣件检测的可靠性。

基于自适应主成分分析的化工过程在线监测

主成分分析(principal component analysis,PCA)应用于过程监测时,不适当的成分选择方法会导致变异特征被分散或被淹没从而影响监测性能。针对这个问题提出了成分的自适应选择方法并用于过程监测,即自适应主成分分析(adaptive principal component analysis,APCA)。自适应主成分应用于过程监测时主要包括3个步骤:首先,在离线建模时基于载荷矩阵通过欧氏距离计算各个成分的相似性,并基于每个成分选出与其相似性较高的成分构成多个成分子空间;其次,在线监测时基于在线样本的各成分通过核密度估计计算各个成分的变异概率,选择出变异概率最高的成分作为特征成分;最后,挑选出与特征成分对应的成分子空间,并构造T 2统计量。通过数值仿真案例和田纳西伊斯曼(tennessee eastman,TE)过程证明了提出方法APCA的有效性。

线上线下混合教学模式融于“信号与系统”课程的建设与应用

“信号与系统”是通信和电子信息类专业的核心基础课,具有理论性、系统性、工程实践性等课程特点。但这门课程课时少、知识点多,学生学习难度高、主动性不足。针对存在问题,将线上线下混合教学模式融于课程教学中,通过线上预习、课堂多手段教学、课后线上线下巩固等环节进行教学实践,以期激发学生的创新力,调动学生的学习自主性和积极性,提高学生学习效率提升学生分析解决实际工程问题的能力。

融合理论与应用的人工智能教学改革分析

本文从人工智能课程理论与应用相融合的方向出发,结合教学实践过程中的经验,根据高校学生学习特点对目前情况下人工智能课程所存在的问题进行现象分析。探索并发现学生存在专注度不高、学习兴趣不强等问题,并提出解决此类问题的理论方法,促进人工智能教育的进步与变革,培养出顺应当前时代发展、满足社会需求的复合型人才。

Chemical process dynamic optimization based on hybrid differential evolution algorithm integrated with Alopex

To solve dynamic optimization problem of chemical process (CPDOP), a hybrid differential evolution algorithm, which is integrated with Alopex and named as Alopex-DE, was proposed. In Alopex-DE, each original individual has its own symbiotic individual, which consists of control parameters. Differential evolution operator is applied for the original individuals to search the global optimization solution. Alopex algorithm is used to co-evolve the symbiotic individuals during the original individual evolution and enhance the fitness of the original individuals. Thus, control parameters are self-adaptively adjusted by Alopex to obtain the real-time optimum values for the original population. To illustrate the whole performance of Alopex-DE, several varietal DEs were applied to optimize 13 benchmark functions. The results show that the whole performance of Alopex-DE is the best. Further, Alopex-DE was applied to solve 4 typical CPDOPs, and the effect of the discrete time degree on the optimization solution was analyzed. The satisfactory result is obtained.

基于自适应独立成分分析的化工过程监测

针对独立成分分析(independent component analysis,ICA)方法应用于过程监测时如何选择独立成分(independent component,IC)的问题,提出了自适应独立成分分析(adaptation independent component analysis,AICA)方法。AICA方法首先利用分离矩阵建立关联矩阵,该关联矩阵表示IC的相似性,同时通过核密度估计选择概率密度最小的IC作为特殊独立成分(particular independent component,PIC),再通过关联矩阵选择与PIC具有相似变异特征的几个普通独立成分(common independent components,CICs),最后将PIC与CICs用于构造监测统计量。将AICA方法应用于田纳西-伊士曼(Tennessee Eastman,TE)仿真过程,测试结果表明所提方法对于过程监测是有效的。