LSM算法评定空间直线度误差的分析与改进

为了有效地提高评定空间直线度误差的精度,运用几何学、误差理论和最优化原理,深入分析了LSM算法在空间直线度误差评定中所存在的原理缺陷;并改进了LSM算法,提出了改进LSM算法的数学模型.对改进LSM算法编制程序进行了数字实验,结果表明:改进LSM算法克服了LSM算法的原理缺陷,具有较高的精度.

基于数字滤波技术的激光通信干扰信号辨识研究

为了准确辨识激光通信干扰信号,提出了基于数字滤波技术的激光通信干扰信号辨识方法。通过傅里叶基函数,将高频突发分量和长周期内的准平稳分量作为观测指标。对信号展开断续和偏离量化处理,将处理结果作为依据进一步对干扰信号标识处理,获取激光通信干扰信号的主要特征。将变换域LSM算法和变步长LMS算法相结合,根据干扰信号特征自适应建立更新和预测算子,对经验正交分解处理得到的信号展开变步长LMS自适应消噪处理,最终实现激光通信干扰信号辨识。实验测试结果表明,所提方法能够有效提升干扰信号的辨识能力。

基于最小二乘互相关算法的图像定位匹配研究

提出了一种基于最小二乘互相关的图像定位匹配算法。该算法将图像互相关信息和最小二乘法结合实现图像定位匹配,匹配精度可以达到亚像素甚至1/100像素级,同时利用金字塔分层来提高定位匹配速度;通过本算法在印刷品质量自动化检测系统中的应用,验证了该算法的高精度与高速度特性。

板形模式识别的GA-BP模型和改进的最小二乘法

针对板宽变化时需要不同拓扑结构的神经网络才能完成板形模式识别任务 ,网络学习工作量大 ,网络存在收敛速度慢 ,易陷入局部极小等结构性能不佳的问题 ,首次建立了以勒让德正交多项式为基模式的只用 6个输入信号、3个输出信号的板形模式识别 GA- BP网络模型。该模型不仅结构简单 ,而且物理意义明确 ,识别精度较高 ,解决了板宽变化时神经网络结构形式不变的问题 ,从而实现了板形模式识别的智能化。又提出了基于勒让德正交多项式的板形模式识别最小二乘法 ,该方法简单、实用 ,识别精度较高 ,克服了传统的最小二乘模型板形模式识别的缺点和不足。为板形模式识别提供了两种简便实用的新方法 。

基于弹簧模型的重要节点排序算法

重要节点排序是复杂网络研究的重要问题。用网络的鲁棒性和脆弱性指标评价基于引力模型的重要节点排序算法GM(gravity model)和其局部算法LGM(local gravity model)时,当度大的节点从网络中移除后,其引力较大的近邻节点的后续移除通常并不能在很大程度上影响网络的结构与功能,说明算法在重要节点排序精度方面仍然存在提升之处。基于此,在弹簧模型的启发下,进一步考虑网络节点近邻和路径信息,并结合网络直径,提出了重要节点排序算法SM(spring model)和其局部算法LSM(local spring model)。基于合成网络和真实网络数据集针对网络的鲁棒性和脆弱性与经典算法进行对比实验,结果表明SM算法和LSM算法对于网络中重要节点排序具有更高的准确性。特别地,在Power网络上的SIR传播实验进一步证明了SM算法相较于其他算法,具有更高的合理性和有效性。

无线传感器网络环境自适应定位算法研究

节点自身定位是无线传感器网络应用的关键技术之一;针对基于接收信号强度指示(RSSI)的加权质心定位算法,研究了实际环境中节点的接收信号强度指示(RSSI)特性,考虑到RSSI测距模型中信号衰减因子等参数对测距精度的影响,根据信标节点间距离和接收信号功率的关系利用最小二乘法在线拟合环境测距参数,从而获得适用的信号衰减模型进行测距,将估算的距离转换为权值,再结合质心算法实现定位;MATLAB仿真结果显示,文中算法比加权质心算法具有更好的环境自适应性和鲁棒性。

基于改进型CLAFIC学习子空间算法的有限汉字集识别

采用改进型 CL AFIC(Class- Featuring Inform ation Compression)算法可以为学习子空间 L SM(L earningSubspace Method)算法提供更好的初始向量子空间 ,并通过 L SM算法对各类样本子空间按不同的旋转方式训练 ,来提高 OCR的识别率 .该文的特点在于首先采用了学习子空间算法来实现字符在灰度图像上的识别 ,它克服了传统的基于二值化图像进行特征提取和识别所带来的主要弊病 ,最大限度地保存了字符特征 .应用结果也表明 :采用改进型 CL AFIC的学习子空间算法 ,能在原有较高 OCR识别率的基础上得到进一步的提高 ,实用价值很高 .

基于遗传算法的圆度公差评定法与采用最小二乘法评定的比较(英文)

根据提出的计算模型 ,对基于遗传算法的圆度误差评定和传统上采用最小二乘法的评定算法进行了比较分析 ,根据方法本身的特点和计算结果 ,分析了二者的不同点以及在工程应用中的适用场合。所构造的模型包括边界控制点和区域随机点 ,其中边界控制点模拟了由圆度误差最小区域条件所定义的最大内切圆和最小外切圆 ,而区域随机点模拟了实际情况下测试点的随机性和不确定性。计算结果表明基于遗传算法的圆度评定法精度较高 。

基于神经网络的噪声对消系统及其仿真

无论是在工业控制还是在信号处理中,噪声都会随时随地地被引入。利用可测的噪声信号,再令其通过BP的两层神经网络,能较好地恢复原信号,并且收敛速度较快,对于信号测量与信号控制中的噪声去除有一定的推广性。

基于子空间方法的应力影响下变异语音分类

应力影响下的变异语音是由于说话人受到重力加速度变化而产生的,与正常语音相比,变异语音频谱能量在频带范围内分布更加分散。把整个频带划分成8个子带,采用子带频谱能量的比值为特征,提出一种基于子空间方法的正常/变异语音分类方法。该方法采用CLAFIC方法设计初始向量子空间,并通过LSM算法对两类样本子空间按不同的旋转方式训练,用预分类的结果调整分类器的参数来改善分类器的性能。实验结果表明,该方法对应力影响下的变异语音与正常语音具有良好分类效果,平均分类正确率达到了95.9%。

结构化道路上应用区域划分的车道线识别

针对多数研究中车道线检测的准确性和实时性难以有效平衡的问题,提出了一种应用区域划分的车道线识别方法。首先通过改进的大津(OTSU)算法提取边缘图像,再在所得边缘图像的基础上,利用改进的概率霍夫变换(PPHT)提取车道标识线上的特征点,并采用最小二乘法(LSM)对特征点点集进行直线拟合,最后通过提出的路面干扰线规避算法检测所有拟合得到的直线段并筛选可能的车道线。在实验方面,引入三种算法作为对比,并利用提出的准确性评价模型对500幅典型道路场景图中的车道线识别结果进行评估,同时统计在处理一段长为1 min 26 s的道路视频时每帧图像序列的平均耗时。实验结果表明所提算法的查准率、查全率、F量测值均优于对比算法,且达到实时处理的要求。

神经网络在压合过程中的应用

针对将圆锥体压入薄壁筒的控制技术中,对位移传感器和压力传感器在线实时检测及执行机构气液增力缸的控制问题,在分析受外界干扰的情况下,为保证系统的稳定性和收敛性,采用基于递推最小二乘法的多层前向神经网络算法,并对它的条件参数进行了一般性的推导。该神经网络为3层前向网络,其隐含层神经元数为10个,输出层神经元数1个。包括输出层与隐含层、输入层与隐含层间权的调整算法。用典型PID算法和神经网络的控制算法分别仿真结果可见,神经网络控制解决了压合过程纯滞后的非线性问题,达到了预期的技术要求。

一种求解社区检测问题的改进分布估计算法

在分析网络模块性函数局部单调性的基础上,设计局部搜索变异算子,提出一种求解社区检测问题的改进分布估计算法。基于基准测试网络和大规模复杂网络对算法进行测试,实验结果表明,对于不同网络,该算法运行100次得到的Q函数平均值均优于Girvan-Newman算法、Newman快速算法和Tasgin遗传算法。

基于Delta算子的LMS算法在噪声消除中的应用

Delta算子作为一种新的离散化方法引入自适应滤波器,提出了一种基于算子的自适应LMS算法。并把基于Delta算子的LMS算法法应用到于噪声抵消中,取得了优于传统的移位算子的收敛速度和稳态失调。