利用最小化代价函数方法实现多窗口谱分析

利用最小化代价函数的方法推导了一种谱分析的多窗口。性能分析的结果表明，此方法与离散长球序列多窗口谱分析方法具有相当的估计偏差与方差性能。与离散长球序列多窗口相比，此方法得到的多窗口具有直观的解析表达式而无须求解矩阵的特征分解问题，因而具有较小的计算量。通过对离散白噪声与ＡＲ过程进行的多窗口谱分析对比实验，验证了此方法的有效性和正确性。

前馈神经网络的代价函数全局最小值分析

本文首次从理论上给出了三层前馈神经网络代价函数全局最小值的计算公式。这一计算公式在网络训练之前就可根据已知的目标样本和隐层神经元个数来确定网络代价函数的全局最小值。并指出代价函数全局最小值随隐层神经元个数的增加而单调减小．当隐层神经元个数不小于样本个数时，网络的代价函数全局最小值将等于零。

考虑障碍物风险场的智能车辆避障路径分层规划方法

针对城市中结构化道路交通场景,采用路径决策与路径优化的分层规划方法解决智能车辆避障过程的路径规划问题。首先,避障决策层引入Frenet曲线坐标系,设计基于障碍物风险场的避障功能函数,结合动态规划算法获得参考路径及可行域范围;路径优化层根据安全性、平滑性及偏移度目标函数,选用二次规划算法优化出最终路径。最后,通过Matlab/Simulink与PreScan和CarSim软件进行联合仿真。结果表明,在多障碍物的直道和弯道工况下,车辆在中、低速度下均能安全避开障碍物的干扰,并沿着车道中心线行驶;与对照组相比,考虑障碍物风险场函数的规划路径更为稳定、舒适,证明了该方法的有效性。

基于代价函数的无人驾驶汽车局部路径规划算法

局部路径规划层作为无人驾驶汽车软件层的重要组成分布,如何有效、安全地到达目的地是当前研究的热点。针对结构化道路信息,充分考虑车道线的约束,在使用Frenet坐标系理论的基础上,提出一种考虑到车道线曲率和障碍物模型信息,得到不同车道上其他道路参与者的位置信息,以便计算其他障碍物模型对本车危险程度,综合算法实时性、轨迹平顺性等要素的最小代价局部路径规划算法。在局部路径规划过程中,沿着参考线(Frenet坐标系下X轴上一段路径)选取多个路径分割点,Frenet坐标系下在每个分割点处沿Y轴进行控制点离散,每个路径分割点处选取1个控制点构成路径控制点集合,使用一元三次方程对每种排列组合路径进行拟合,从而使用代价函数对每种排列组合路径进行评估,代价函数值最小为最优的局部路径。代价函数考虑拟合轨迹到障碍物的危险程度、轨迹平顺性、轨迹到当前参考线(实时在全局路径规划层上根据车速得到一条当前需要跟踪的理想轨迹)的偏离程度、拟合轨迹行驶方向的改变程度、无人驾驶汽车最小转弯半径。研究结果表明:在不同试验场景下,所提出基于代价函数的局部路径规划算法,能规划出一条不与障碍物发生碰撞的最优路径,并能保证无人驾驶汽车行驶轨迹平顺性和路径规划层实时性的要求。

基于变分贝叶斯的视觉散焦光图像快速盲复原算法

为实现数字图像的高精度应用,降低外界光线对视觉成像的影响,提出一种基于变分贝叶斯的视觉散焦光图像快速盲复原算法。通过梯度和卷积处理,计算视觉散焦光图像后验概率期望,利用Sobolev空间函数分布方法提取最优初始图像和散焦光模糊函数先验概率。以变分贝叶斯的近似分布思想,无限逼近实际的后验概率;使用相对熵计算多个分布间距离,最大程度贴近真实值;将最小损耗代价函数输入双边滤波器内,即以近似清晰图像为指导图,剔除剩余高频噪声,得到最优图像盲复原结果。实验结果表明,所提算法盲复原后图像对比度高,边缘细节清晰,复原速度快,具有极高的应用价值。

一种基于最优小波包基的信号消噪算法

通过对比短时傅里叶变换、小波变换和小波包变换的特点,介绍了小波包变换用于信号消噪的一般步骤和寻找最优小波包基的双树算法。基于小波变换和小波包变换的阈值消噪方法的仿真结果证明,基于最优小波包基的软阈值方法明显优于基于小波变换的方法,具有更加广泛的应用价值。

基于模糊聚类的医院计算机网络信息安全风险监测方法

在传统的网络信息安全风险监测研究中,缺乏对计算机网络自身运行特征,导致对风险的漏检程度相对较高,为此,提出基于模糊聚类的医院计算机网络信息安全风险监测方法研究。构建计算机网络信息的统计分析模型,根据计算机网络信息的特征分布情况,对原始网络信息中的特征进行融合重构,使网络数据转化为以主成分特征参量为核心的形式。再利用关联规则特征检测方法,通过获取信息中的谱特征,实现对网络运行状态中频率分量地监测,并统一了网络信息统计特征值的表达方式。对于得到的特征值,以最小化代价目标函数为基础进行模糊聚类,根据特征与聚类中心的隶属度关系,判定网络中是否存在信息安全威胁风险。在测试结果中,设计监测方法对不同类型网络攻击风险的漏检率始终低于5.0%,与对照组相比具有明显优势。

基于深度学习反向传播的稀疏数据特征提取

针对如何有效利用互联网数据中蕴藏的大量文本数据信息,提出了基于深度学习反向传播的稀疏数据特征提取方法。首先将稀疏数据体系分别建立在Web和分散式社会网络上,在初始链路模型下可以得出稀疏数据的拓扑模型,通过对相空间的重构提高稀疏数据特征提取的能力,并采用数据的时隙分配模式,对稀疏数据的属性混合值进行迭代处理。然后通过有/无标签数据完成对深度学习和Softmax回归模型的训练,在训练中采用最小化代价函数对模型的参数进行修正,结合深度学习算法提取稀疏数据的特征量,求出稀疏数据中时隙分配的信任值。最后通过反向传播算法将学习网络中的残差传输到输入层中,根据误差减小最快的方向对加权系数进行调整,直到获取最佳的加权系数为止。实验结果表明,算法与梯度下降算法相比具有更高的准确率,并且针对不同的数据集误差率都很小,明显提高了数据的分类提取能力。

四元数约束的容积卡尔曼滤波及其应用

针对一些非线性系统状态变量中存在四元数约束的情况,提出了一种四元数约束下的容积卡尔曼滤波(quaternion constrained cubature kalman filter,QCCKF)算法.基于最小约束代价函数,采用三阶球面-相径容积规则近似计算系统状态的后验均值和协方差,给出了QCCKF滤波递推公式.设计的QCCKF算法可以有效地对状态进行估计,扩展了CKF的应用范围.最后对飞行器姿态估计系统进行仿真,仿真结果表明,该算法估计精度优于常规CKF和无迹四元数估计法(unscented quaternion estimator,USQUE),并满足四元数约束条件,较好地解决了非线性系统存在四元数约束的问题,验证了算法的有效性.

改进的神经预测控制及其应用

广义神经预测控制是一种滚动时域控制方法,需要使用最小化代价函数来实现对控制输入的优化,而最小化代价函数需要较大的计算量,该文将时滞神经网络用于神经预测控制,改进了传统广义神经预测控制的学习算法,仿真实验结果表明了所提方案的优越性.