基于Lagrange插值的数字图像相关亚像素位移测量算法

本文旨在通过改进经典Newton-Raphson算法中的插值方法来优化数字图像相关(DIC)亚像素位移测量的计算效率。针对经典Newton-Raphson算法在数字图像相关亚像素位移测量中应用的双三次样条插值算法,特别是在需要计算边界点灰度梯度(即灰度值的一阶导数)时,存在计算量大的问题,本文提出一种基于Lagrange插值的改进算法作为解决方案。Lagrange插值算法在未增加计算节点数的情况下,成功避免了边界点灰度梯度的计算,使插值效率可提高近1/3。应用数值模拟实验和真实刚体平移实验对本文算法的性能进行验证。结果表明,本文算法在保持求解精度的同时,计算测量效率较传统Newton-Raphson算法有了明显提升。单点插值效率平均提升近30%;单点测量效率平均提升近20%。本文首次将Lagrange插值算法应用于数字图像相关的亚像素位移测量中,解决了双三次样条插值算法计算量大的问题,为相关领域提供了一种更为优化的变形测量方法。该研究为DIC亚像素位移测量技术的进一步发展和应用提供了新的思路和参考,有望在实际工程中得到广泛应用,促进相关领域的进步与发展。

一种改进的MANET加权分簇算法

移动自组网(Mobile Ad Hoc Network, MANET)主要应用于军事活动、灾后救援等大规模的活动中,随着节点数的增加、移动速度的加快,网络拓扑变得更加复杂,网络稳定性和性能也随之下降。频繁的网络拓扑变化会导致簇结构变得不稳定并且控制开销也会增加。为了解决这一问题,提出了一种改进的加权分簇算法,通过仿真表明,该算法可以有效地提高大规模移动自组网的性能。

一种改进组合加权的TDOA室内二维定位算法

针对现有组合加权算法对定位区域边缘的目标定位时精度较低的问题,在现有组合加权算法的基础上提出了一种改进算法。首先,将基站分组,以到达时差算法得到目标位置的多个估计结果;其次,计算各估计结果之间距离值并排序,以滑动窗口法判断是否存在基站组出现异常定位估计;最后,当任意基站组的定位结果发生异常时,使用目标位置估计结果及其估计克拉美罗下界值设计两个加权步骤的权值,通过二步组合加权算法得到最终定位结果。仿真结果表明,所提算法有效减少了原组合加权算法对定位区域边缘的目标定位时的误差,当测量噪声标准差为0.8 m时,所提算法相较于原算法在正方形边缘区域定位均方根误差减小了0.35 m;在定位狭窄矩形区域时,所提算法平均定位均方根误差减小了0.11 m。

无人机自组网快速稳定加权分簇算法

在无人机自组网中,网络规模增大会使节点间平均跳数增加,网络管理和路由协议运行更艰难。分簇结构可用来优化网络管理,提高网络的可拓展性。针对无人机高移动造成的簇结构不稳定以及分簇结构鲁棒性差的问题,提出了一种快速稳定加权分簇算法。该算法对比现有的加权分簇算法,对链路保持率、节点度和相对速度三个指标的选取进行改进。针对战场和应急场景下簇头节点掉线带来的簇振荡,提出了一种高效的簇维护机制。最后通过仿真验证该算法的性能,结果表明,与现有改进型加权分簇算法相比,该算法可以有效降低成簇的时间,同时在簇头节点掉线的情况下快速恢复,更适用于复杂环境下的网络部署。

结合力导向图分布算法的特征加权深度嵌入聚类

聚类分析作为无监督学习领域的一个重要研究方向,是许多数据驱动应用的核心.但是高维数据特有的高维距离趋同特性,使得高维空间样本近邻结构遭到破坏,从而使得大量基于距离(基于近邻)的聚类算法性能急剧下降.目前,大量研究者认为,高维数据往往包含大量与任务不相关特征及相互关联的特征,其真实特征维度往往要比原始特征维度低很多.在学习样本低维等价表示上,基于深度自编码器的深度嵌入学习尽可能地保留重构信息.然而,现有此类方法往往需要聚类损失引导聚类,这虽然提高了聚类性能,但聚类损失与重构损失间的内在矛盾,限制了聚类性能的进一步提高.基于力导向图分布算法的降维算法则是尽可能保留近邻结构信息的基础上学习样本低维表示,但是高维距离趋同的特性使得此类算法较难准确获取样本高维近邻结构信息.本文在深度自编码器与力导向图分布算法的基础上引入特征加权思想,使模型在具有强大的低维等价表示能力及根据数据近邻结构凸显簇结构能力的同时考虑特征对聚类任务的适合程度.5个数据集上与最新高维聚类算法的对比实验充分证明了本文算法的合理性与优越性.

基于联邦加权学习算法的三维激光隧道裂缝探测研究

为解决采用三维激光扫描仪探测隧道裂缝的识别精度低、抗干扰能力差的问题,提出基于联邦加权学习算法的裂缝探测研究新思路。基于隧道激光点云数据,首先使用优化联邦加权学习算法,并采用异步和残差测试自适应调整算法,以此整体达到精准探测隧道裂缝的目的。在临滕高速隧道进行试验,围绕裂缝探测的可靠性、准确度和测量精度等指标,将本文算法与传统算法进行对比分析,结果表明本文提出的新方法能有效提高隧道裂缝探测的可靠性及准确率,对探测裂缝宽度的精度上也有较好的性能。当探测结果中出现灰尘、钢筋裸露等干扰因素时,新算法较传统算法在可靠性上仍有明显优势,仍能达到95%以上的识别准确度和低于10%的识别误识率,这些确保了算法应用效果的鲁棒性。通过工程现场的实践,本算法识别出的裂缝宽度与人工测量值之间最小偏差仅为0.06 mm,验证了其良好的裂缝识别精度。

基于精度因子与距离残差的加权最小二乘算法在DTMB辅助北斗定位中的应用

北斗三号系统已完成建设,该系统可以在空旷的室外提供较为准确的定位信息。但是在城市峡谷区域,北斗信号会受到遮挡。当能够提供有效定位信息的北斗卫星数目逐渐减少时,利用北斗卫星进行定位得到的定位结果偏差会逐渐增大。本文针对以上问题,在采用地面数字多媒体广播信号辅助北斗定位的基础上,利用基于精度因子与距离残差的加权最小二乘算法进行定位,相比于利用最小二乘算法进行定位,定位精度提高了40%~50%。本文提出的算法对于解决定位基站数目不足时增加其他不同类型基站来进行辅助定位的问题具有借鉴作用。

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

基于泡沫图像特征加权K近邻算法的锌矿浮选工况识别方法

浮选工况识别在泡沫浮选工程中起着至关重要的作用,仅依靠人工经验进行主观性识别,准确性和效率都低。为此提出了一种考虑泡沫图像特征间相互作用的加权K近邻(KNN)算法用于实现浮选工况类别的识别。在本研究中,首先,通过信息熵对泡沫图像特征与浮选工况类别之间的相关性进行量化,同时评估该特征与其他特征之间的冗余性。然后,计算该特征与浮选工况类别相关性和该特征与其他特征冗余性之间的差值,将这一差值作为特征的权重。其次,在KNN算法中针对欧式距离进行特征加权,以实现KNN算法的特征加权。然后,将特征选择过程嵌入到特征加权KNN分类算法的训练过程中,并选取分类准确率最高的特征子集作为最优特征子集。最后,基于最优特征子集完成浮选工况的识别。研究结果表明,本方法与其他基准分类算法相比,在分类准确度和时间上都达到了最佳效果,验证了本研究所提出的浮选工况识别方法的有效性。

Padé逼近引出的[1/n]阶加权迭代算法

在有理函数逼近领域,Padé逼近是比较经典的求解非线性方程及方程组根的算法.本文以[1/0]、[1/1]、[1/2]阶Padé逼近所构造的迭代算法为基础,通过增加指数权重,进行泰勒级数展开,得到三类带参数的迭代算法,并进行收敛性分析,通过数值实例验证,在参数值特定情况下得到的迭代公式收敛速度优于Padé逼近,并且能够有效控制重根附近发散的情况,该算法在工程计算中的实用价值更突出.

基于加权多新息卡尔曼滤波算法的响应重构

针对卡尔曼滤波算法容易受到噪声的影响,使得响应重构精度降低甚至发散的问题,提出一种基于加权多新息卡尔曼滤波算法的响应重构方法。首先在融合多新息理论和卡尔曼滤波算法的基础上,引入加权矩阵动态调整新息矩阵的权重以降低历史干扰数据的累积影响。随后将该方法用于响应重构中,使用有限的加速度响应对其余未知位置处的加速度、速度以及位移响应进行重构。最后分别对起重机桁架和简支梁进行数值模拟和试验验证,结果表明与卡尔曼滤波算法和多新息卡尔曼滤波算法的响应重构方法相比,所提方法的滤波稳定性和估计精度得到改善,其能在运行时间增加很小的情况下有更高的重构精度。

基于加权组合算法的点云孔洞修补

为了对无人机航测数据中的点云孔洞进行修补,将最小二乘支持向量机算法LS-SVM和遗传算法GA优化的反向传播神经网络算法BP进行线性组合,构建一种加权组合模型,用于散乱点云数据中的孔洞修补。通过两种修补方法的误差进行两者的加权组合,建立出与两种修补方法误差相关的加权组合模型,并将加权组合模型的修补结果与单一使用最小二乘支持向量机、遗传算法优化的BP神经网络两种修补方法的修补结果进行残差和内外符合精度的比较与分析。结果表明:采用加权组合模型得到的点云修补结果内外符合精度较高,且具有更强的稳定性,为无人机获取的点云数据提供了一种有效的孔洞修补方法。

基于自适应加权融合算法的大空间火灾智能识别方法

大空间消防系统需要的探测器种类多、数量大,且采集数据易受环境干扰,进而使得火灾的识别难度大,精度低。为解决这一智慧消防系统的关键问题和难题,本文提出一种基于自适应加权融合算法的智能识别算法。在此基础上,以演播厅大型空间为例,进行探测器阵列布局与防火设计,并实现对明火和阴燃类火灾的智能化识别。

基于负载重分配算法改进的加权路网实证研究

稳定运行的城市道路交通网络对于城市正常活动的高效运行以及国民循环经济的快速增长至关重要,城市道路交通网络的交叉口节点遭到破坏,引发拥堵持续蔓延扩散,导致大面积路网产生相继拥堵现象,影响城市区域交通流动性。本文基于改进的负载重分配算法研究负载-容量模型下路网相继拥堵后的负载重分配引导策略,基于上海松江新城部分区域路网进行实证仿真研究。进行实际路网网络拓扑并建立负载-容量模型,利用随机攻击和蓄意攻击在相继拥堵模型上基于新加权节点综合重要度和节点强度中分析拥堵导引策略。研究表明复杂加权路网受到攻击后基于新加权节点综合重要度负载重分配策略提高了路网的鲁棒性,对识别城市运输网络中的重要节点、在拥堵后对于城市道路交通拥堵发生前制定预案、失效发生后道路交通管理控制等方面具有重要意义。

卡尔曼滤波下多源传感器数据互补-加权迭代融合算法

因多源传感器在数据融合过程中,受自身数据差异性影响较大,导致最终的融合结果精准度较低。为此,在卡尔曼滤波算法的基础上,针对多源传感器数据提出一种互补-加权迭代融合算法。建立多源传感器观测模型,找出数据融合过程中的最优加权系数。在多源传感器组合系统中引入卡尔曼滤波算法,结合互补-加权迭代融合算法,建立预测方程、状态方程、滤波互补因子以及估计均方误差方程,实现多源传感器的数据融合。实验结果表明,所提算法可以精准找出最优加权系数,观测误差始终在0.6 m以下,可以实现数据的精准融合。

基于分数阶傅里叶变换和图像加权熵的chirp scaling算法

针对传统的基于傅里叶变换和匹配滤波实现的chirp scaling(CS)成像算法中多普勒参数随斜距变化以及成像分辨率低的问题,提出利用分数阶傅里叶变换(FRFT)对CS成像算法进行优化。首先建立斜视合成孔径雷达(SAR)回波信号模型,理论推导利用FRFT代替匹配滤波进行信号压缩。针对方位向最优旋转角的搜索问题,对得到的图像基于加权最小熵建立代价函数,利用动量法的梯度下降优化算法进行迭代计算,最终得到分辨率更高的SAR图像。为验证算法的有效性,分别在点目标仿真数据和实测SAR数据集上进行实验。结果表明,与传统CS成像算法相比,该算法的成像结果成像主瓣宽度更窄、旁瓣更低、成像更加清晰。

基于Python的加权K-means聚类算法研究

本文针对K均值聚类算法在现实问题中的复杂性提出一种加权的聚类算法。K-means算法是一种经典的聚类算法,针对这种算法中的问题,目前有很多处理方法,例如确定初始聚类数K值、选择初始聚类中心点、数据点的权重影响以及孤立点的处理方式等。在实际问题中,坐标数据点的权重不同,本文将权值附加在数据点中,再使用肘部法则计算聚类数K值的最佳选择,分析数据点归属的簇。在数据集中进行比较,试验结果表明,与原算法相比,本文算法更接近实际数据分布,轮廓系数更接近1,聚类效果更好。

基于加权循环算法的高分辨成像波形设计

为实现感兴趣区域目标的高分辨成像,MIMO-SAS声呐(Multiple Input Multiple output SyntheticAper-tureSonar,MIMO-SAS)一般采用长的发射信号对目标进行照射,但发射信号过长会导致近距离目标和远距离目标回波产生混叠,从而引起距离模糊,影响目标成像质量。为了抑制距离向的模糊,通常的做法是降低脉冲重复率,然而脉冲重复率过低会导致MIMO-SAS方位向欠采样,使回波信号频谱相互混叠,声呐成像时会在方位向出现珊瓣,很难把目标回波有效分离出来。针对这个问题,提出一种基于加权循环算法(Muti-sequenceWeightedCyclic Algorithms,Multi-WeCAN)的阵列发射波形设计方法,通过计算机仿真发现,相比传统的发射波形,在不改变脉冲重复率的情况下,通过Multi-WeCAN波形设计方法能够有效抑制回波混叠,提高MIMO-SAS目标的成像质量。

融合加窗和自适应加权引导滤波改进的Canny算法

针对Canny算法滤波过程中图像细节部分缺失和无法有效去除噪声,并且无法动态识别图像边缘的问题,提出一种融合加窗和自适应加权引导滤波的Canny算法。该算法对Canny算法做出两点改进:一是使用加窗滤波器对图像进行处理,有效滤除噪声,然后对图像进行数学形态学滤波处理,有效增强图像边缘;二是引入分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而达到动态识别图像边缘的效果。相比传统Canny算法,改进算法处理后的信噪比提高了1.05~5.22 dB,品质因数提高了0.16~0.35。实验结果表明:改进算法能有效滤除椒盐噪声,识别出比较清晰和完整的边缘。

基于加权质心算法的无线传感网络丢包节点定位技术

针对无线传感网络中丢包节点的定位问题,提出一种基于加权质心算法的定位技术.分析无线传感网络节点分布和拓扑结构后,采用RSSI的测距模型改进加权质心算法,经测距模型将RSSI值转换成丢包节点与周围节点的距离,采用加权质心定位算法求解WSN丢包节点定位误差,以3个锚节点作为圆心,锚节点距离作为半径构建圆,计算3个圆交点的坐标后,求出由3个交点构建三角形的质心位置平均值,该值为WSN丢包节点定位坐标,实现无线传感网络丢包节点定位.实验结果表明:该方法应用效果较好,其平均转发率为98.18%,平均检测率为98.36%,能有效定位出WSN丢包节点,提高了WSN网络的稳定性,使得WSN数据传输更加可靠,保障了WSN数据传输质量.