改进的小波图像融合算法及应用研究

为了提高图像融合质量,论文提出了一种改进的小波变换的图像融合方法,该算法将源图像分别进行小波分解,各图像分解成低频系数和高频系数,低频系数采用基于prewitt算子的融合规则,高频系数采用融合系数选大的融合规则,然后将融合后的低频系数和高频系数做离散小波变换,得到小波变换后的融合图像。与传统的图像融合算法相比较,实验表明了改进的小波图像融合新算法具有更好的融合效果,将改进后的算法用于发动机温度场检测中,融合后的热端部件示温漆彩色图像边缘特征更加突出,区域分割精度更高。

基于拓扑坐标的移动目标跟踪

为了对移动目标实现无需基于物理距离测量值的地理信息的跟踪,提出了一种在拓扑坐标域中跟踪移动目标的新方法。具体实现是首先通过对虚拟坐标系统中的虚拟坐标向量和拓扑保持映射的分析,提出一种改进的拓扑保持映射算法,把径向信息包含于虚拟坐标向量中,形成新的拓扑坐标向量,从而减少对拓扑域中网络地图边缘的压缩;其次,采用一种近似方案来得到拓扑域中移动目标的虚拟坐标,然后把得到的虚拟坐标代入先前得到的新的拓扑坐标向量中,进而获得拓扑域中移动目标的拓扑坐标即移动目标的估计位置。仿真结果表明,相比于基于地理域信息的地理坐标跟踪方法,移动目标跟踪方法在不同移动模型情况下都优于传统的地理坐标跟踪方法,有更低的检测失败率和更低的执行成本,而且可在任意环境中运行。

Spark平台环境下基于Aco-k means算法的滚轴故障检测算法研究

针对现有滚轴故障预测方法预测精度差、效率低的不足,提出一种基于Aco-k means算法的滚轴故障预测方法。在Spark平台环境下,利用小波包变换提取滚轴故障信号的时频域特征,并对滚动轴承故障特征进行聚类分析;引入Aco仿生算法确定故障特征数据聚类中心及故障样本数据间的欧氏距离,在全局范围内寻优并确定滚轴故障的类别与严重程度。仿真结果证明,该方法在滚轴故障预测精度方面具有明显优势,其故障特征提取效率也高于传统算法。

融合贝叶斯深度学习的计算机大数据频繁项挖掘算法

随着数据每天呈指数级增长,频繁项集挖掘的效率和可伸缩性问题变得更加严重。因此,提出融合贝叶斯深度学习的计算机大数据频繁项挖掘算法(Sequential growth),并在MapReduce框架上实现。为了测试算法的性能,在具有大型数据集的MapReduce框架上进行了不同方面的实验。结果表明,Sequential growth算法具有良好的效率和可扩展性,尤其在处理大数据和长项目集时。