自适应权值调整的C-V模型及图像分割

Chan-Vese模型(简称C-V模型)是基于均质区域能量最小化的曲线演化分割框架。本文提出一种区域相关权重的C-V模型,并对模型的区域权重进行了探讨,定义了自适应权值调整函数,加速曲线收敛过程,得到精确的区域边界。实验表明该算法可行有效。

引入型式构造和适值自调整的遗传算法及其在送配水调度中的应用

遗传算法 ,是模拟自然界生物进化过程与机制求解极值问题的一种有效方法 ,作为“适者生存”评判标准的适应值 ,在遗传算法寻优种起到了巨大的作用 ,本文利用含有型式构造和适值自调整的遗传算法 ,用以解决收敛方向的控制问题 。

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。

基于用户大数据的5G天线权值优化方法研究

利用AI技术对天线权值进行研究,针对Massive MIMO小区重叠覆盖区域的天线权值优化提出了一种天线权值自适应调整算法(AAPC)。为寻找较优的天线权值参数组合设置,引入蚁群搜索算法对天线权值进行智能估算,通过调整天线权值参数设置使网络覆盖最优、相互干扰最小。仿真实验以及现网实测结果表明,AAPC天线权值优化算法可获得较优的天线权值参数设置组合,网络覆盖的指标明显改善。

基于稀有数据扑捉的路径覆盖测试数据进化生成方法

采用遗传算法自动生成路径覆盖的测试数据是软件测试自动化研究的热点.现有方法设计适应值函数时,对穿越难以覆盖节点的稀有数据保护不够理想,因而影响测试数据生成效率的提高.文中在测试数据进化生成时动态扑捉稀有数据,通过统计每代种群中目标路径各节点被穿越的个体数量,得到个体对生成穿越目标路径测试数据的贡献,以此作为权重调整个体的适应值,使得稀有数据的适应值增加,以便在后续进化中得到保留,从而提高测试数据生成的效率.基准程序和工业用例的测试结果表明,与传统方法及随机法比较,文中方法生成覆盖路径的测试数据效率较高.

基于多微粒群优化的机器人气味源定位

研究多气味源同时定位问题,提出一种基于多微粒群优化的机器人气味源定位方法.该方法将机器人看作一个微粒,邻近的微粒组成一个子群,不同的子群定位不同的气味源.通过合并相似的子群和降低微粒在已搜索区域的适应值,使得微粒群定位尽可能多的气味源.当气味源所在环境变化时,根据子群当代极值与前代全局极值之间的关系,选择子群的全局极值.将所提方法应用于3个典型静态环境与1个动态环境的气味源定位,并与5种已有方法比较.实验结果表明,所提方法能够高效地定位多气味源.

一种改进的基于相关反馈的图像检索算法

基于相关反馈的图像检索算法,加权系数的调整预先确定,缺乏灵活性。为了获得满意的检索结果,需要大量的反馈计算且算法效率低。针对相关反馈的缺点,提出一种基于粒子编码的加权系数自适应调整算法,并且给出了粒子编码的过程与适应度函数的计算过程。选择Corel标准图片库进行实验,基于粒子编码的算法比其他相关反馈算法检索精度大大提高。