基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。

基于ActiveMIL的医疗数字减影系统的研究与开发

医学图像的采集和处理是提高医疗水平的重要技术手段和标志。主要讨论医疗数字减影系统的算法,设计了基于VB编程语言、ActiveMIL组件及SQLServer2000的DSA(Digital Subtract Angiography)系统开发方案,在此基础上实现了界面友好、功能强大的医疗数字减影系统。

基于视觉特性的彩色图像增强算法研究

为了对彩色图像进行分析和识别,在深入分析HSV彩色模型的基础上,提出了一种新的彩色图像增强算法。该方法利用像素点邻域的均值和方差对HSV模型的亮度分量增强,在获得图像细节的同时保持图像缓慢变化的部分;根据亮度分量的变化情况,利用亮度和饱和度之间的相关系数,对HSV模型的饱和度分量进行调整。通过对图像进行主观分析和客观分析,该种算法不仅拉伸了图像的对比度,增加了图像的清晰度,而且图像色彩丰富,更加符合人的视觉特性。

基于CPUfreq的DVFS节能技术的研究与实现

针对目前计算机系统普遍存在的功耗较大的问题,研究和实现了基于CPUfreq的DVFS节能软件;首先,分析和比较了计算机系统现有主要的功耗管理框架;然后,阐述了CPUfreq子系统及其框架结构,并基于CPUfreq子系统开发了DVFS节能软件,实现了对计算机CPU的动态电压频率调节(DVFS);最后,以720p视频播放为应用实例,对使用DVFS节能软件后的计算机系统进行功耗测试;测试结果表明,DVFS节能软件可以实现对以PC为代表的计算机系统的初步节能。

基于动态松弛时间回收的开销敏感节能实时调度算法

为适应实际系统中任务集的不断变化以及不可忽视状态切换开销的要求,针对多核多处理器系统中常见的周期任务模型,提出一种基于动态松弛时间回收的开销敏感节能实时调度算法DSROM,在每个TL面的初始时刻、任务提前完成时刻实现节能调度及动态松弛时间回收,在不违反周期任务集可调度性的基础上,达到实时约束与能耗节余之间的合理折衷。模拟实验结果表明,DSROM算法不仅保证了周期任务集的最优可调度性,而且当任务集总负载超过某一个值后,其节能效果整体优于现有方法,最多可节能近20%。

新闻出版管理信息系统的设计与实现

本文以上海市新闻出版局管理信息系统的开发实践为例，介绍了局级机关微机局域网的开发设计思想。文中并对系统功能结构、网络结构和实现技术作了说明。

离散数学中的证明方法探讨

离散数学课程的教学目的之一,旨在通过加强数学推理,培养提高学生的数学思维能力。抽象的数学思维,多是通过课程中证明的严密推理加以训练。本文讨论了离散数学教学中的一些常见问题的证明,强调从证明思想上去比较这些证明的异同,培养学生归类理解证明的基本方法,以提高学生分析问题解决问题的能力。

基于CSCW的Web-GIS系统研究

协同Web-GIS是计算机应用领域中新技术之一。系统分析了协同Web-GIS的体系结构和支撑技术,给出一个实现方案。最后构造了一个协同Web-GIS原型。

缺失GPS时间序列的神经网络补全

在GPS时间序列数据补全问题中,针对在空间点位分布稀疏、观测值连续缺失情况下传统补全效果不佳的问题,提出了一种基于深度学习的补全方法。针对时间序列中存在连续大量缺失的情况,设计了基于长短时记忆神经网络的补全模型;使用待补全站时间序列中可用的数据训练模型,合并使用日期数据增强训练效果,使模型学习到隐式蕴含在序列中的时空相关知识,预测序列缺失处的值。用IGS基准站SHAO的1999—2017年有缺失的时间序列进行实验;并与时间序列预测的传统经典方法 Seasonal ARIMA进行了比较。实验结果表明:在待补全站观测值缺失较多时,提出的方法依然可以取得很好的补全效果;在补全较长连续缺失时,无论是在预测精度还是对原始序列形态的模拟上,表现均优于Seasonal ARIMA。

钢轨焊头平直度检测系统的抑振研究

伴随着高速铁路的快速发展,无缝钢轨的生产与检查维护是必不可少的工作,其中钢轨焊头平直度检测是很重要的一个环节。研究了基于激光相机的钢轨焊头平直度检测中的机械振动抑制。在该检测系统中,由于系统机械结构的振动对相机检测数据的影响,导致检测结果不准确。针对这一问题,采用基于有限时间Laplace变换的输入整形方法,通过抑制系统的残余振动,减少了检测信号中的噪声干扰,缩短了系统的稳定时间,降低了数据处理的复杂度,提高了系统的检测效率并且提高了系统数据处理结果的精确度。

轨道表面图像处理算法研究

轨道检测是我国快速发展的铁路运输和城市轨道交通运输的重要保障。为了更好地完成轨道检测工作,首先介绍了轨道检测发展的趋势和现有的轨道探伤标准,然后基于计算机视觉中的双目视觉原理,搭建了轨道图像采集系统的模型。针对此系统采集到的同一根轨道的角度不同的左右两幅图像,研究针对轨道表面图像的处理算法。对比分析基于区域的Otsu分割算法和基于改进蚁群优化算法的边缘检测算法的原理以及算法表现,实验结果表明,文中改进算法的结果更适合此应用。在此基础上,根据相似度函数将分割好的左右图像进行图像匹配,获取双目视觉的视差图,为后续的深度信息提取与图像的三维重建和全面测量打下了良好的基础。

基于改进ADRC的四旋翼无人机抗干扰姿态控制系统设计

四旋翼无人机空气动力学特性复杂,易受干扰,从而影响对无人机的稳定控制。为提高无人机姿态控制系统的抗干扰性,设计了一个基于改进自抗扰控制的四旋翼姿态控制系统。将全局快速终端滑模控制技术与传统自抗扰控制技术结合,利用全局快速终端滑模控制技术优化自抗扰控制系统中非线性误差反馈控制律的功能,对自抗扰控制系统进行重新设计,并使用Lyapunov理论证明该控制系统的稳定性。仿真实验结果表明改进的自抗扰控制系统在姿态控制中有着更快的响应速度、更强的抗干扰能力。

基于SLAM/UWB的室内融合定位算法研究

精确且稳定的自主定位是移动机器人在室内环境下实现自主导航的前提,针对室内定位中视觉即时定位与地图构建(SLAM)存在的累计误差以及环境因素导致超宽带(UWB)定位精度下降的问题,提出一种基于SLAM/UWB的室内融合定位算法.首先该算法以扩展卡尔曼滤波(EKF)为基础,将UWB的全局定位坐标和视觉SLAM位移增量进行融合,但考虑到测量噪声易受复杂环境影响,引入阈值检测和自适应测量噪声估计器,以抑制异常值和时变测量噪声对滤波器性能的影响,最后使用智能移动小车在不同的室内场地下进行实验.实验表明:该算法优于单一的UWB或者视觉SLAM定位方式,并且在复杂室内环境下比传统EKF算法拥有更稳定的定位效果.

一种基于混沌理论和LSTM的GPS高程时间序列预测方法

为了进一步提高全球定位系统(GPS)进行噪声分析或形变监测的可靠性,根据高程时间序列的特点,提出1种基于混沌理论和长短期记忆神经网络(LSTM)的混合预测模型:对时间序列进行经验模态分解(EMD)并降噪,去除序列包含的白噪声部分;求取时间序列的延迟时间,嵌入维数以及李雅普诺夫指数,证明GPS高程站心坐标时间序列具有混沌特性;然后重构序列相空间;最后将相空间每1维特征向量作为LSTM的时间步输入网络进行训练,建立预测模型。实验结果表明,该方法能够提高预测的可靠性,且模型具有一定的泛化能力。

改进遗传算法的无人机路径规划

为了进一步研究无人机(UAV)在自主飞行任务中的飞行安全问题,在保证飞行路程尽可能短的基础上,提出1种基于改进遗传算法的路径规划方法:给出使无人机飞行轨迹远离障碍物的思想,以减少因环境感知与飞行控制误差发生碰撞的机会:在种群初始化操作完成后,通过设计适应度函数来得到同时满足距障碍物足够远与飞行路程短2个目的的轨迹;然后执行交叉与变异操作用于产生新的个体——交叉与变异发生的概率决定了种群中产生新个体的速度;通过增加删除节点的操作来避免冗余路径点的出现。实验结果表明,该方法能够得到比现有算法更安全、路程更短的平滑可行轨迹。

基于多变量LSTM的GPS坐标时间序列预测模型

针对全球定位系统(GPS)坐标时间序列预测中存在精度不足的问题,提出一种基于多变量长短时记忆(LSTM)的GPS坐标时间序列预测模型。利用灰色关联度方法对同一地区不同观测站的GPS坐标时间序列数据进行关联度分析,找出与待预测数据(佘山站U向历史数据)关联度较强的数据。将待预测数据和与之关联度较强的其它数据作为多变量预测模型的输入,利用LSTM能够将现有的输入信息与历史输入信息相结合的特性,建立多变量LSTM模型。通过与ARIMA、单变量LSTM模型预测结果比较,证明该方法有更好的预测效果。

K-means++分区法在密集型测站中的应用研究

GAMIT软件在解算大型密集测站时一般需要进行分区处理,分区解算对结果的精度具有一定的影响。为了解决一般分区方法中长短基线同时存在而导致整网解算精度降低的问题,引入了K-means++算法和Hash算法实现分区,简称为K-means++分区法。首先利用K-means++算法对测站进行聚类,再利用Hash算法进行排序组合,这样能得到分布均匀的子网。文中采用整网解算结果作为标准值,分析区域分区法和K-means++分区法的基线长度、基线精度及三维坐标差,然后再将K-means++分区方法与间距分区法进行对比分析。实验结果表明,该方法比区域分区法精度更高,与现有的间距分区方法精度相持,且比间距分区法要稳定高效。

基于深度学习的时空特征融合人体动作识别

深度学习需要充分利用视频中动作的时空信息来进行动作识别。为了充分利用视频中的时空特征来提高动作识别的准确率,并以较低的成本保存相关信息,提出一种采用稀疏采样方案的时空特征融合动作识别框架。采用稀疏采样获得视频的RGB图和光流图,分别送入VGG-16网络提取视频的时空特征;融合时空卷积神经网络(CNN)提取中层时空融合特征;将中层时空融合特征送入C3D CNN识别出动作的类别。在HMDB51和UCF101两个数据集的实验结果表明:该框架能够充分利用视频的时间信息和空间信息,达到了较高的动作识别准确率。

智能家居的灯光实时监控系统设计

针对现有智能家居灯光控制系统存在的无法实时监测灯光状态,无法大规模稳定控制等问题,开发了一种基于ZigBee通信技术的智能家居灯光控制系统。利用ZigBee通信的双向性,灯控终端在接收执行控制指令后实时反馈当前灯光状态,实现了利用智能移动设备远程控制和查看家中灯光状态的功能。对系统ZigBee通信自组网特性测试表明,增加系统中灯控终端数量可以有效增强通信可靠性,从而稳定控制灯光亮灭。

基于小波降噪和神经网络的GPS高程时序预测模型

全球定位系统(GPS)时序数据预测的工作中发现,通常时序数据中含有的噪声会干扰数据预测的结果.为了降低时序数据中噪声对预测结果的负面影响,将提升小波阈值降噪技术和长短期记忆(LSTM)神经网络相结合,实现一种GPS时序数据降噪预测模型.该模型在预测之前首先利用提升小波与平滑阈值函数对GPS时序数据中的噪声进行剥离,然后构建多层LSTM神经网络对时序数据进行单步预测.通过实验与多种时间序列预测模型进行对比,结果表明所提出的LSTM预测模型对GPS时间序列的预测具有较强的适用性和较高的准确性.