生命探测系统中频信号的采样准则和频谱特性

目的 :研究生命探测系统的距离分辨能力。方法 :通过给出接收回波信号的距离谱表达式 ,采用近似方法建立频谱展宽与距离分辨力之间的关系 ,来得到它们关系的近拟公式。结果 :分析了其中频信号离散频谱现象和需要限制可分辨最大作用距离的特性 ,给出生命探测系统的中频信号采样所需遵循的准则。结论

线性FMCW雷达中频信号的采样准则和频谱特性

本文探讨了对线性调频连续波雷达的中频信号采样所需遵循的准则 ,分析了其离散频谱具有的频谱泄漏现象和需要限制可分辨最大作用距离的特性。

基于不确定度采样准则的费时问题优化算法

在实际工程和控制领域中,许多优化问题的性能评价是费时的,由于进化算法在获得最优解之前需要大量的目标函数评价,无法直接应用其求解这类费时问题.引入代理模型以辅助进化算法是求解计算费时优化问题的有效方法,如何采样新个体对其进行真实的目标函数评价是影响代理模型辅助的进化算法寻优性能的重要因素.鉴于此,利用径向基函数神经网络作为代理模型辅助进化算法,提出一种新的不确定度计算方法,同时结合模型估值构造一种新的填充采样准则以自主地选择新的采样点,从而引导算法在评价次数有限的情况下尽可能地找到目标函数值较好的解.所提出算法与近年来针对计算费时问题的优化算法在7个高达100维的基准问题上进行测试比较,实验结果表明所提出算法在相同评价次数下可以获得更好的优化结果.

基于多准则采样的自然图像抠图算法

抠图作为图像处理领域的热点难题,已广泛应用于目标识别、虚拟现实和前景提取等方面。然而,图像高质量像素较少时难以获取高质量像素对的问题一直存在,鉴于此,提出基于多准则采样的抠图算法。该算法通过多准则采样策略从全局相似性到局部相似性的角度获取高质量的候选子集,从而解决高质量像素对较少时易丢失等问题。在此基础上,设计多评价联合的最优像素对选取策略,该策略通过联合多个像素对评价函数,以避免单一评价函数估计的解不是当前最优解。为了验证该算法优越性,选用Alpha matting基准数据集作为实验数据。实验结果表明,在图像高质量像素较少时难以获取高质量像素对的问题上,该算法估计前景透明度遮罩优于目前典型的抠图算法。

基于遗传算子采样的自适应代理优化算法

提出一种应用于黑盒问题(black-box problem)的优化算法,称为遗传算子采样(genetic operator sampling,GOS)自适应代理优化算法。通过对当前样本进行两两交叉,对当前最优样本进行高斯变异2种算子获得候选样本集。对候选样本进行适应性评估,评估标准为候选样本处的交叉验证误差和该样本与父代样本之间最小距离的乘积,将乘积最大的样本加入已有样本集。GOS优化算法在一维问题中详细阐述,与有效全局优化算法(efficient global optimization,EGO)和最大化模型误差算法(maximum square error,MSE)在3个典型数学算例中进行对比,验证该算法的有效性。

序列近似优化方法

随着工程优化中仿真模型精度和计算时间的不断提高,常规的智能优化方法难以在可接受的计算代价中得到最优解。序列近似优化方法通过将近似模型技术引入优化过程,并采用不断更新采样点的方法来指导寻优,在基于计算耗时模型的优化中得到了越来越广泛的应用。通过论述序列近似优化方法的若干关键技术及其发展现状,可有效指导其在工程优化中的应用,并给出了序列近似优化方法可能的改进方法及发展趋势。

序列Kriging仿真优化方法综述

通过深度学习来挖掘设计变量、目标参数与Kriging模型之间内在关系的序列Kriging仿真优化方法已成为基于元模型优化的研究前沿和热点。但仿真优化过程中存在建模效率较低、收敛精度不高、多点采样的并行仿真难以实现等问题。如何在少量昂贵仿真估值条件下提高优化效率和收敛精度是序列Kriging仿真优化方法研究的主要内容。为此,对序列Kriging的近似建模方法、无约束优化、多点并行优化以及约束优化进行综述,介绍经典优化方法、若干改进及相应工具包,并展望所面临的问题和挑战。

序列Kriging模型的黑箱约束全局优化方法

针对黑箱约束优化中可行采样点难以获取、优化效率低、收敛速度慢、难以有效平衡全局和局部搜索行为等缺点,提出一种序列Kriging模型的黑箱约束全局优化方法。在没有初始可行采样点的情况下,所提出的方法能够快速有效地探索出富有前景的可行采样点,并在满足所有约束条件下通过高效稳定且可靠的加点采样准则获取全局最优可行解。基准测试函数和燃料电池汽车能量控制策略的仿真实例验证了所提出方法的有效性和实用性。

基于极大似然估计采样一致性准则的遥感影像配准参数解算方法研究

本文提出运用最大似然采样一致性准则解算遥感影像配准系数的方法。该方法基于极大似然估计理论,首先对初始匹配点的坐标残差进行概率建模,计算概率模型成立时的似然函数值并选择似然函数值最大时的参数为正确结果,最终剔除错误点保留正确匹配点。该方法较之传统的最小二乘方法更为准确地计算配准系数,并可以解决随机采样一致性准则解算配准参数时,对阈值的依赖问题。试验证明,该方法可提高配准参数解算的稳健性和精度。

基于克里金模型的多采样点序列全局优化方法

针对有效全局优化(EGO)方法计算时间长、收敛速度慢且易陷入局部最优区域的缺点,提出一种基于克里金模型的多采样点序列全局优化算法.在序列优化过程中,该算法主要引入中点距离最小舍弃方法来获取多个采样点,并以广义EGO方法作为填充采样准则,对多个采样点进行并行优化,以提高算法效率,同时有效平衡局部和全局的搜索行为.两个数值测试算例和一个工程仿真实例验证了该方法的有效性和实用性.

基于估值不确定度排序顺序均值采样的昂贵高维多目标进化算法

模型管理,特别是训练样本的选择和填充采样准则,是影响昂贵多目标优化算法求解性能的重要因素.为此,选择样本库中具有较好目标函数值的若干个体作为样本训练目标函数的代理模型,使用基于参考向量的进化算法搜索模型的最优解集,并提出一种基于个体目标函数估值不确定度排序顺序均值的采样策略,从该最优解集中选择两个个体进行真实的目标函数评价.为了验证算法的有效性,将所提出算法在DTLZ和WFG多目标优化测试问题和两个实际工程优化问题上进行测试,并与其他5种优秀的同类型算法进行结果对比.实验结果表明,所提出算法在求解昂贵高维多目标优化问题上是有效的.