传感器网络定位中节点攻击类型的分布式识别算法

针对无线传感器网络在定位过程中的外部攻击节点的类型识别问题,提出了一种交替方向-Lp范数支持向量机(ADM-PSVM)分布式识别算法。该算法基于线性支持向量机分类模型,首先引入了Lp范数约束形式,通过选择不同的范数值p以增强分类算法对数据集的适应能力;继而根据交替方向乘子方法推导出了算法的分布式形式,实现了节点根据剩余能量将识别的计算任务分布于不同节点之间进行;最后将算法对各类型的恶意节点数据进行了训练及识别仿真,并讨论了范数约束值以及惩罚因子取值的不同对识别精确率的影响。仿真结果表明,该算法对于恶意外部攻击节点数据具有较好的识别精确度及更高的计算效率。

基于BP神经网络的玻璃缺陷识别技术研究

为了准确、快速地对玻璃质量进行分类,提出一种基于BP神经网络的玻璃缺陷识别方法。由于不变矩与灰度共生矩阵分别可以描述图像的形状与纹理,在分析了缺陷灰度图像特点的基础上,将图像的纹理特征和不变矩特征融合,综合提取出一个分类能力更强的特征向量,再使用一个拟牛顿改进算法的三层前向BP网络。作为分类器,对常见的玻璃缺陷进行了识别。通过实验对比该方法和传统的单一特征识别法,证明该方法不仅具有更高的识别率,并且实时性较好,为玻璃缺陷的自动识别提供了一种新的途径。

兰村水文站水情自动测报技术研究

通过分析兰村水文站现有水情测报方式存在的问题,基于嵌入式及无线通信技术,设计了一种能够自动测报水情信息的系统设备,利用ARM芯片作为控制器,实时采集水位、流速等水文数据,并对采集到的数据进行固态存储,最后由无线射频模块传送至室内的控制台,实现了水情数据的自动化测量,增强了水情数据的监测能力。

关于地理信息探测精确定位仿真研究

在基于传感器网络设计的地理信息探测系统中,节点的精确定位对于系统整体性能影响甚大。传统的定位研究只考虑了定位精度的提高,而并未进一步考虑算法中定位误差的具体变化范围以及误差对其它系统子模块的影响。针对以上问题,着重研究了在RSSI测距以及加权质心定位场景下,系统中地理路由功能子模块的抗误差算法。算法首先根据RSSI测量信息的模型,获得了转发间距经加权质心定位后的误差的统计性质及范围;然后以转发距离期望的误差均方根最小为主要依据,设计了一种新的地理路由信息转发协议。仿真结果表明,新提出的算法能够有效减少实际应用场景下定位误差对于数据包投递率的影响,并且在能量消耗、重传次数方面也均优于同类算法,对提高系统整体性能具有指导作用。

嵌入式小型测温系统的设计与实现

针对目前多数以单片机为核心控制器的数据采集系统存在处理速度有限、实时性及可靠性差等问题,设计了一种基于微处理器S3C2410及嵌入式Linux操作系统的小型测温系统。重点研究了温度传感器驱动程序和基于QTE/Qtopia的图形用户界面(GUI)应用程序。最终,在目标板上实现了对温度的实时采集与显示。该系统具有结构简单、稳定可靠、操作方便等特点,为数据采集系统的工程应用提供了新的思路。

目标跟踪中非线性滤波算法的研究

介绍了3种非线性估计方法。在处理目标跟踪等动态系统实时估计问题中,EKF将系统进行线性化近似时存在估计误差,从而影响目标跟踪的精度;PF对系统噪声和量测噪声的概率分布没有要求;RPF是改进的粒子滤波算法。分析了EKF、PF和RPF算法的原理,比较了3种算法的性能差异。仿真结果表明,PF滤波精度优于EKF,而RPF在精度和计算复杂度等方面均优于PF,且随着粒子数目的增加,PF和RPF的精度也不断提升。

基于深度压缩感知的脑电情感识别

【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题,深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(DBN)能够在不破坏观测矩阵随机性的前提下对信号进行自适应压缩,同时利用栈式自编码器(SAE)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性,根据信号的稀疏表示中所具有的判别性,提出基于DBN和SAE的压缩感知识别模型(CS-DBN-SAE)。【结果】在DEAP情感脑电数据库上的四分类实验结果表明,CS-DBN-SAE模型的识别率达到83.29%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。

基于卷积融合和残差-注意力的脑卒中病灶分割

脑卒中MRI影像由于病灶区域小和正常组织边界模糊的特点导致分割难度大。为此提出一种优化的编解码结构网络。为使网络提取更加丰富的上下文信息,提出了双注意力卷积融合编码模块,在编码端收缩路径实现二维卷积和三维卷积的融合,并且从空间和通道2个维度建立特征的全局相关性。此外,提出残差-注意力门混合解码模块,更好地融合低层次和高层次特征,关注目标区域,从而提高小病灶边缘的分割细腻度。通过在开源数据集ATLAS的实验结果表明,该算法DSC指标达到了0.62,与UNet,D-UNet,3D-UNet以及attention-UNet等模型相比,有效提高了分割性能。

基于双向循环U-Net模型的脑卒中病灶分割方法

脑卒中具有极高致残率和致死率,研究脑卒中病变的自动识别和分割方法具有重要的临床意义。提出一种基于双向循环U-Net(BIRU-Net)模型的病灶分割方法。首先,引入循环神经网络结构,将改进的注意力卷积门递归单元(ACGRU)替代U-Net中的部分卷积层,使分割模型既适用于小规模标注的医学影像数据集,又具有长时记忆特性;其次,采用双路融合训练机制,将单一视面的正向、反向的切片数据同时输入BIRU-Net,并在模型前向传播过程实现双向特征融合,有效利用了切片序列的双向依赖特性。最后,将各单一视面的分割结果进行再融合,有效利用了数据的空间上下文信息。对于ATLAS数据集的实验结果表明,所提方法的DSC值达到了62.58%,与现阶段的其他方法相比,本文的方法能较为准确地分割出病灶区域。

基于LuGre模型的飞机制动系统滑模控制

针对飞机防滑刹车控制系统中存在的非线性和不确定性,为了提高飞机防滑刹车系统的制动效率,提出了一种基于LuGre摩擦模型的飞机防滑刹车滑模控制方法.设计非线性观测器对摩擦模型中的未知状态变量进行识别,对系统参数进行自适应估计,采用李雅普诺夫方法验证其渐近稳定性.仿真结果表明:该滑模控制方法具有较强的鲁棒性,制动效率高,改善了传统控制方法的低速段机轮深度打滑现象,刹车效率达90%以上,刹车时间26.5s,制动距离949m.