Improving path planning efficiency for underwater gravity-aided navigation based on a new depth sorting fast search algorithm

This study focuses on the improvement of path planning efficiency for underwater gravity-aided navigation.Firstly,a Depth Sorting Fast Search(DSFS)algorithm was proposed to improve the planning speed of the Quick Rapidly-exploring Random Trees*(Q-RRT*)algorithm.A cost inequality relationship between an ancestor and its descendants was derived,and the ancestors were filtered accordingly.Secondly,the underwater gravity-aided navigation path planning system was designed based on the DSFS algorithm,taking into account the fitness,safety,and asymptotic optimality of the routes,according to the gravity suitability distribution of the navigation space.Finally,experimental comparisons of the computing performance of the ChooseParent procedure,the Rewire procedure,and the combination of the two procedures for Q-RRT*and DSFS were conducted under the same planning environment and parameter conditions,respectively.The results showed that the computational efficiency of the DSFS algorithm was improved by about 1.2 times compared with the Q-RRT*algorithm while ensuring correct computational results.

A novel adjustable multiple cross-hexagonal search algorithm for fast block motion estimation

In this paper,we propose a novel adjustable multiple cross-hexagonal search(AMCHS) algorithm for fast block motion estimation. It employs adjustable multiple cross search patterns(AMCSP) in the first step and then uses half-way-skip and half-way-stop technique to determine whether to employ two hexagonal search patterns(HSPs) subsequently. The AMCSP can be used to find small motion vectors efficiently while the HSPs can be used to find large ones accurately to ensure prediction quality. Simulation results showed that our proposed AMCHS achieves faster search speed,and provides better distortion performance than other popular fast search algorithms,such as CDS and CDHS.

Enhancing the Accuracy for Target Detection by Using Fast Orthogonal Search (FOS)

Target detection and bearing estimation are mainly obtained through spectral analysis of received signals. The detection performance of the periodogram and its variants methods is evaluated. The variants methods Performance evaluation through the Receiver Operating Characteristics （ROCs） are presented and compared from the viewpoint of probability of detection （Pd）, probability of false alarm （Pfa） by computer simulation. When the sinusoid frequency does not correspond to one of the spectral bins （mid-bin frequency situation）, the performance of all the mentioned detectors degrades. This research investigates the development of a bearing estimation method using Fast Orthogonal Search （FOS） to enhance spectral estimation which, improves both target detection and bearing estimation in case of low SNR inputs.

基于机器学习的单脉冲搜索候选体识别对FAST观测CRAFTS数据的应用研究

单脉冲搜索作为脉冲星探测的有力工具,在探测旋转射电暂现源以及快速射电暴中扮演着重要角色。为了从海量的射电巡天数据中快速筛选出最有价值的单脉冲搜索候选体,候选体识别已经从早期启发式阈值判断发展到基于机器学习自动识别。对于FAST观测,研究了基于机器学习的单脉冲搜索候选体识别应用到CRAFTS(the commensal radio astronomy FAST survey)超宽带脉冲星数据的性能表现。在评估过程中,使用单脉冲事件组识别(SPEGID)和单脉冲搜索器(SPS)两类自动识别方法,通过7种不同机器学习分类器对CRAFTS基准数据集产生的单脉冲搜索候选体进行自动识别;作为对比,也使用了启发式阈值判断的方法(RRATtrap和Clusterrank)。结果表明,SPEGID具有最好的性能表现(最高的F1-score值95.1%、次高的召回率95.4%、最低的假阳性率4.7%),SPS具有最快的筛选速度(平均每小时筛选4010个候选体)。通过对比分析结果,探讨了如何基于FAST观测数据开展高效的单脉冲搜索候选体识别。

贝壳形屋盖风压系数密度峰值聚类分区研究

鉴于贝壳形屋盖表面风压分布的特殊性,提出基于快速搜索技术的密度峰值聚类风压系数分区方法。以某贝壳形屋盖表面风压分布试验结果为基础,进行密度峰值聚类风压系数分区,采用SD有效性指标验证分区数的合理性,并与改进k-means聚类分区结果进行对比。结果表明:密度峰值聚类风压系数分区以风压系数相对距离、局部密度和综合指数为特征参数,能较好反映屋面风压分布特性,有效保证类聚合性和类类分离性;相较于改进k-means分区法,不同风向角下密度峰值聚类得到的分区数与SD最优聚类数接近;密度峰值聚类分区结果能更准确反映贝壳形屋盖表面风压分布特性,充分体现测点风压系数局部密度和相对距离特征值较大的基本原则,对于贝壳形屋盖的风压系数分区具有更好的适用性;贝壳形屋盖密度峰值聚类分区最大负风压系数在-0.59~-1.74之间。

巨型射电望远镜(FAST)主动反射面结构故障诊断

研究分析500m口径球冠状巨型射电望远镜(Five-hundred-meter Aperture Spherical radio Telescope,简称FAST)主动反射面结构故障诊断问题。深入分析结构特点,论证FAST索网结构是一个准静力结构以及结构故障的局域性,并结合FAST望远镜工作特点,确定结构故障的基本模式。提出基于索应力监测和变位节点坐标监测的故障诊断方法:监测结构"热点应力",针对基准态和工作态,设置不同判定准则,直接诊断结构关键部位;监测索网变位节点坐标,计算其与理论值的偏差序列,针对客观存在、无法消除的有限元理论模型误差和测量误差,提出采用Walsh非参数检验方法并结合节点不平衡力的快速计算,实时检验是否存在故障以及可能的故障点区域,实现望远镜工作的安全实时预警,提出采用模式搜索算法,以故障点区域单元为诊断对象,以实际监测和理论计算的结构响应趋于一致为目标,诊断结构故障的具体类型和程度。数值模拟计算结果表明上述结构故障诊断方法适用于FAST主动反射面结构,是有效且切实可行的方法。

基于RRT-BZD算法的移动机器人路径规划

针对传统RRT算法在移动机器人路径规划中效率低、路径非最优的问题,提出一种改进的RRT-BZD算法,以提高RRT算法的收敛速度和算法的搜索效率。改进的RRT-BZD算法通过设置自适应目标偏向策略以及修剪冗余节点,加快了路径规划的收敛速度,减少了算法运行的时间,并且使用贝塞尔插值法使最终的路径更加平滑。在MATLAB仿真环境中分别对不同场景下的算法进行对比实验,实验结果表明:改进的RRT-BZD算法路径代价比传统RRT算法减少了7.93%,计算时间减少了20.28%,验证了改进算法的有效性和可行性。

面向高密度印刷电路板圆形特征的快速铺铜算法

随着印刷电路板的高度集成化,传统的芯片安装和散热无法满足整体尺寸和重量的要求。铺铜作为PCB设计环节中最后进行的关键步骤,在提高电路板性能和有效性方面具有重要作用。本文针对高密度印刷电路板上存在的圆形特征,提出了一种基于完整图形的信息分类和区域计算的快速铺铜算法,并对铺铜过程中产生的孤岛提出了搜索方案。其核心思想如下:首先根据图形信息对大量特征进行区域划分,然后根据碰撞关系对其分簇,基于分簇结果得到外包络边链和孤岛边链,最后通过环和孔的边链关系得到铺铜结果。算法在3.20 GHz、16 GB内存的Windows 10环境下运行,使用工业用例测试数据进行验证。实验结果表明,与开源的基于拟合多边形的铺铜工具相比,在面向大规模场景时,铺铜结果不依赖于拟合多边形边数,时间缩短了约60%。

基于AVMD与DPC-FCM的旋转机械无监督故障诊断方法

目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition,AVMD)与密度峰值算法优化的模糊C均值算法(Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM)结合的无监督诊断方法。方法 首先,将多尺度排列熵与峭度相结合的综合系数作为适应度函数,对VMD算法的惩罚因子alpha和模态个数K进行参数寻优,提取分解后本征模态函数(Intrinsic Mode Function,IMF)的平均样本熵与平均模糊熵,并输入至聚类算法中。其次,提出利用密度峰值聚类算法确定FCM的初始聚类中心,降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中,实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性,同时DPC算法可以有效提高FCM算法无监督聚类的准确性,二者结合可以有效实现旋转机械故障的智能分类。

FAST搜索技术及其应用研究

介绍了FAST公司研制推广使用的企业搜索技术、相关搜索技术及其在不同企业的应用。FASTESP向用户安全提供了结构、非结构与多媒体数据检索点,为新的智能检索建立新的标准。所具备的上下文识别、可测量性和制订解决方案的超级性能极大程度地改变着公司从事贸易的活动方式,同时也改变了用户的搜索信息方式。

融合FAST特征选择与ABQGSA-SVM的网络入侵检测

为进一步提升网络入侵检测效果,提出一种融合FAST特征选择与自适应二进制量子引力搜索支持向量机的(FAST-ABQGSA-SVM)网络入侵检测算法。利用FAST算法过滤掉原始特征集中冗余无关的特征形成候选特征子集,基于组合优化策略采用自适应二进制量子引力搜索算法对候选特征子集与SVM分类器参数进行组合优化。在ABQGSA反复学习寻优过程中,采取动态自适应波动式调整策略更新量子旋转角以平衡算法全局搜索能力和局部搜索能力;同时为提升算法的自适应变异能力,设计与进化程度及个体适应度值相关的自适应变异概率,当种群进化出现停滞时及时引入量子位离散交叉操作帮助种群摆脱局部极值。通过KDD CUP 99仿真实验表明,所提出的FAST-ABQGSA-SVM算法较其他同类型检测算法具有更好的鲁棒性、学习精度以及检测效果。

用A星算法进行电动汽车快充电桩布局优化分析

近年来,新能源纯电动汽车产销量逐年增长,充电桩成为了该产业发展的关键因素之一,针对目前充电桩布局存在的问题,我们借助“A星算法”,对南京市边界的人口集中及交通发达区域之间进行最优路径搜索,进而根据交点确定充电桩最优布局的区域。

一种面向FAST PB量级脉冲星数据处理加速方法及系统

500 m口径球面射电望远镜(Five-hundred-meter Aperture Spherical Telescope,FAST)已投入科学运行,其中脉冲星漂移扫描巡天采集数据量已达数PB,预计每年至少新增5 PB。现有的数据处理软件如PRESTO,SIGPROC等无法满足PB量级数据的快速处理要求。提出了一种基于PRESTO的分布式并行计算方法,整合利用数据库技术和异地异构计算资源,构建了一套命名为Craber的计算加速系统,由FAST早期科学数据中心与国家天文台共同设计实现。启用Craber子网计算集群D中55个计算节点,应用澳大利亚帕克斯(Parkes)望远镜多波束巡天数据集和500 m口径球面射电望远镜漂移扫描数据验证了系统流程和搜索数据库。单个100 MB帕克斯巡天数据文件平均耗时36 s,单个128 MB 500 m口径球面射电望远镜巡天数据文件平均耗时22 s。该系统目前已实际参与数据处理并发现了数十颗脉冲星,有效帮助500 m口径球面射电望远镜加速数据处理和扩大新样本数量。

Directionality based fast fractional pel motion estimation for H.264

Motion estimation is an important and intensive task in video coding applications. Since the complexity of integer pixel search has been greatly reduced by the numerous fast ME algorithm, the computation overhead required by fractional pixel ME has become relatively significant. To reduce the complexity of the fractional pixel ME algorithm, a directionality-based fractional pixel ME algorithm is proposed. The proposed algorithm efficiently explores the neighborhood positions which with high probability to be the best matching around the minimum one and skips over other unlikely ones. Thus, the proposed algorithm can complete the search by examining only 3 points on appropriate condition instead of 17 search points in the search algorithm of reference software. The simulation results show that the proposed algorithm successfully optimizes the fractional-pixel motion search on both half and quarter-pixel accuracy and improves the processing speed with low PSNR penalty.

基于fast PCA和K-CV优化SVM的人脸识别算法研究

为了解决支持向量机(Support Vector Machine,SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis,fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100%;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61%~8.92%.

基于FAST望远镜的地外文明共时观测

地外文明搜寻(Search for Extra Terrestrial Intelligence,SETI)是射电天文的重要子领域。为了获得尽可能多的观测时间,SETI采用共时观测(Commensal Survey),即不单独占用望远镜时间,在望远镜进行其他观测任务的同时进行SETI信号的搜寻。介绍了SETI共时观测的概念以及SETI后端的整体框架,分析了SETI共时观测的主要策略;对实时数据接收系统SERENDIP进行了分析说明;同时分析了数据去射电干扰和候选目标提取方法;通过对500 m口径球面射电望远镜(Five-hundred-meter Aperture Spherical radio Telescope,FAST)的5 h漂移扫描数据处理,验证了SETI后端的有效性。最后对SETI的未来发展趋势进行了展望:FAST的高灵敏度不仅是对其它望远镜针对该项目观测数据的有效验证,更增加了探测到微弱地外文明信号的可能性。

Fast-solving method for air-to-surface guided bombs' allowable attack area

A new method called local accurate search is put forward to calculate the allowable area for air-to-surface missiles based on the conventional methods. Comparing with traditional methods, the local accurate search method can search the area online and reduce the time of search with the required precision. Combining the traditional flight range table with a model calculation method, the new method employs the local search to fred an accurate result, which will meet the fast-calculation requirements for attacking moving targets. In this way, the missiles are adapted for the complex warfare situation.

基于Elasticsearch的大数据搜索引擎在电力企业的应用研究

电力企业是信息化应用的重要领域,引入了变电站告警系统、电力设备运维系统、电力收费缴费系统等,这些信息系统运行积累了海量的数据,常规的检索和处理模式速度慢,已经无法适应大数据时代操作需求,因此为了解决这个问题,本文在电力企业大数据搜索引擎设计时引入了Elasticsearch技术,实现了电力大数据快速检索、数据索引、全文搜索,提高了电力大数据的应用成效,具有重要的作用和意义。

基于改进RRT与DWA融合算法的路径规划

针对传统的快速搜索随机树(RRT)算法搜索效率低、算法的随机采样特性导致规划路径时间长、路径曲折且不适用于动态环境等问题,提出了一种改进融合算法,对传统的RRT算法加入智能采样和路径优化。首先,根据传统RRT算法规划出可行路径,找出路径上障碍物附近的节点,在该节点处以一定大小的圆内进行采样,减少了算法的随机采样,然后通过回溯,根据三角不等式原理思想对路径进行优化,使得路径更加平滑,距离更短,最后,融合动态窗口算法(DWA),解决了动态环境下路径规划问题。仿真结果表明,改进融合算法相比传统RRT算法,搜索时间缩短30%左右,路径缩短6%左右。在真实环境下进行实验,能够实现自主避障导航,证明了改进算法的有效性,且能够满足实际需求。

基于寻源与跟踪“FAST”主动反射面的形状调节

将反射面调节为工作抛物面是FAST主动反射面技术的关键,通过分析FAST主动反射面的工作特点,发现反射面变位成工作抛物面是通过促动器连接下拉索控制索节点实现的。在反射面板调节约束下,利用寻源与跟踪得到反射面实施调节到理想抛物面位置的数学刻画、建立模型,使得该工作抛物面尽量贴近理想抛物面,从而获得天体电磁波经反射面反射后的最佳接收效果。