智能天线中变步长LMS自适应波束形成算法研究

波束形成算法是智能天线研究的核心内容,可以使天线有效地接收期望信号并抑制干扰信号,但各种算法均存在计算量大、收敛速度慢、稳态误差大等缺点。为提高系统性能,提出了一种改进的变步长LMS自适应波束形成算法,其步长因子由上一步长因子和自相关误差共同确定。对新算法的性能进行了理论分析,并推导了确保算法收敛的参数α的取值范围。计算机仿真结果与理论分析一致,与现有的变步长算法相比,新的变步长LMS算法具有较快的收敛速度、较小的稳态误差以及较低的算法复杂度,非常适用于智能天线波束形成问题。

基于粒计算的格贴近度及其在图像检索中的应用

在粒计算的基础上,提出一种度量粒集间相似性的度量标准——基于粒计算的格贴近度理论.提出基于粒计算的内积、外积和格贴近度的概念以及相关性质和证明;将该理论应用于图像检索系统中;给出了一种综合查全率和查准率的评价方法,并将其用在基于粒计算的格贴近度与一般贴近度理论进行比较方面的应用.同时,给出了检索系统的检索结果图.结果显示基于粒计算的格贴近度在图像检索系统中效果优于普通贴近度方法.

基于翻转课堂的混合式教学改革实践——以研究生“高级数据库系统”课程为例

为提升＂高级数据库系统＂课程教学效果和教学质量,解决＂高级数据库系统＂课程教学中存在的问题,提出了一种基于翻转课堂的混合式教学改革模式。首先,分析了研究生计算机技术和软件工程专业的特点;然后,结合＂高级数据库系统＂在河南师范大学的开设现状,将＂互联网＋教育＂模式应用于＂高级数据库＂教学中;最后,结合翻转课堂、蓝墨云班课和微课等,提出一种多种方法相结合的教学方式,并将结合后的方法用于探索研究生课程教学改革。

基于移动互联的高校学生请假系统设计与实现

为了解决高校请假事务管理手段落后、处理效率较低的问题，研究了已有的高校学生请假事务的信息化系统设计方案，针对已有方案存在的缺陷，采用Android嵌入式开发技术，设计并实现了一套基于移动互联的高校学生请假事务管理系统。实践结果表明，该系统不但能方便快捷地处理高校学生请假事务，而且能够充分利用高校校园覆盖广阔的校园网络和几乎人手一部的学生智能终端设备等资源，可节约高校基础建设成本，促进高校学生事务管理的信息化，从而提高高校学生工作的办公效率。

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。

动态迁移和椒盐变异融合生物地理学优化算法的高维多阈值分割

针对高维多阈值图像分割中存在的多阈值搜索问题,提出了一种动态迁移和椒盐变异融合的生物地理学优化算法(BBOD)。首先,构建了一种基于动态扰动的迁移算子,对候选解中没有发生迁移操作的特征值添加一个动态的扰动因子,使种群的多样性增加,从而提高全局搜索能力;然后,创建了新型的变异算子,对待变异的特征值产生一个椒盐扰动,使该值在小范围内浮动,以便提高局部搜索能力和算法的收敛速度;最后,将该算法应用到基于最小交叉熵的图像高维多阈值分割中。高维多阈值分割实验结果表明,本文提出的BBOD算法能够获得最优的阈值向量,运行速度、性能指标均优于标准的生物地理学优化(BBO)算法,基于变异的生物地理学优化(BBOM)算法、FFA(Firefly Algorithm)和CSA(Cuckoo Search Algorithm),运行速度是FFA的5倍以上。该算法更适用于基于最小交叉熵的高维多阈值优化选择。

基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换(SIFT)算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋(BOK)方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明:所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4 301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。

迭代自适应权重均值滤波的图像去噪

针对现有滤波方法滤除图像椒盐噪声的性能不理想和耗时长等缺陷,提出了一种迭代自适应权重均值滤波的图像去噪方法(IAWF)。首先,利用图像邻域像素与处理点的相似性采用新型方法构建邻域权重;然后,将此邻域权重与开关裁剪均值滤波结合形成新型权重均值滤波方法,充分利用像素间的相关性和开关裁剪滤波的优势,有效提高了算法的去噪效果,同时采用自适应的方式调整滤波窗口大小,以便尽可能地保护图像细节;最后,采用迭代式滤波方法,即如果上述操作还没有处理完噪声点,则迭代去噪直至噪声点处理完毕,实现自动处理。仿真实验结果表明,在各种不同噪声密度下,IAWF在峰值信噪比(PSNR)、失真度,以及视觉效果等方面均优于现有的几种优秀的滤波算法,且具有更快的运行速度,更适用于实际应用场合。

采用自适应四点窗中点滤波的高椒盐噪声滤除方法

针对当前中值滤波器处理图像高椒盐噪声效果不佳和实时性不强等问题,提出了一种快速自适应四点窗中点滤波(AFMF)方法。首先,为了降低计算复杂度,使用简单的极值方法检测噪声点;然后,摒弃传统的全点窗口,不用中值滤波,而是在开关滤波和裁剪滤波的基础上,采用新型的非线性滤波方法:中点滤波,简化了算法的流程,提升了算法的计算效率,提高了去噪效果;最后,从3×3窗口开始到由里向外推进,逐渐增大窗口,形成自适应滤波,一直到噪声点处理完,如此避免了窗口大小参数的设置。实验结果表明,与AMF、SAMF、MDBUTMF以及DBCWMF相比,AFMF在处理高密度椒盐噪声上不仅有更好的去噪性能、更快的运行速度(约0.18 s),且无需设置参数,可操作性强,具有较强的实用性。

GWO与ABC的混合优化算法及其聚类优化

灰狼优化算法(Grey Wolf Optimizer,GWO)和人工蜂群算法(Artificial Bee Colony,ABC)是两种流行且高效的群智能优化算法. GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法(Hybrid GWO with ABC,HGWOA).首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.

基于微课程的电子课本内容整合及其教育应用

网络时代,随着新课程改革的不断深入,教育活动变得更加复杂,电子课本中传统教科书的系统教学内容已不能满足数字化网络学习教学情境与学习情境多元化的需求,需对电子课本内容加以整合。文章利用微课程理念,从学生学的角度和服务于日益复杂的教学情境出发,整合电子教材、开发微课程、优化习题呈现方式;并突破电子课本课堂教学应用的局限,将电子课本的应用推广到班级管理、家庭教育、教师教研培训及微学习等教育领域,以期促进电子课本的完善及教与学方式的变革。

差分迁移和趋优变异的生物地理学优化算法

为增强生物地理学优化(Biogeography-based optimization,BBO)算法的优化性能,降低其运行时间,提出了一种差分迁移和趋优变异的生物地理学优化算法(DGBBO).首先,将两种差分扰动操作与BBO算法的迁移操作有机融合,形成差分迁移算子,提升全局搜索能力并平衡探索和开采;其次,将趋优操作融入到BBO算法的变异算子中,替换原变异操作,形成趋优变异算子,克服了原变异算子存在的缺陷,加快收敛速度;此外,还从多个角度降低算法的计算复杂度.在一组常用的基准函数上进行了仿真实验,实验结果表明,相较于其它state-of-the-art算法,DGBBO算法寻优能力显著,稳定性强,收敛速度快,运行时间少,验证了其优秀的优化性能.

强化狼群等级制度的灰狼优化算法

针对灰狼优化(Grey wolf optimization,GWO)算法在处理复杂优化问题时优化精度不高,易陷于局部最优等问题,提出了一种强化狼群等级制度的灰狼优化(GWO based on strengthening the hierarchy of wolves,GWOSH)算法。该算法为灰狼个体设置了跟随狩猎和自主探索两种狩猎模式,并根据自身等级情况来控制选择狼群的狩猎模式。在跟随狩猎模式中,灰狼个体以等级高于自身的灰狼的位置信息来指引自己到达最优解区域;而在自主探索模式中,灰狼个体会同时审视等级高于自身的灰狼的位置信息和自身位置信息,并基于这些信息自主判断猎物的位置,同时两种更新模式都将引入优胜劣汰选择规则来确保种群的狩猎方向。对12个基准测试函数进行优化的结果表明:与已有的算法相比,GWOSH算法的全局搜索能力更强,更能有效避免易早熟收敛的问题,更适用于求解高维的复杂优化问题。

改进的混合蛙跳算法及其在多阈值图像分割中的应用

针对混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)存在的计算复杂度高、优化效率不理想等问题,提出了一种改进的混合蛙跳算法(Improved Shuffled Frog Leaping Algorithm,ISFLA)。在原始SFLA的基础上进行如下改进:首先,将其中每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式,这既增大了获得优质解的概率,又省去了调整组内迭代次数的步骤,从而提升了优化效率和可操作性;其次,将基于局部最优更新的方法和基于全局最优更新的方法融合为一种混合扰动更新方法,从而避免了复杂条件的选择步骤,进一步提升了优化效率;最后,去掉随机更新方式,以免优质解被破坏,从而提高了整体的优化性能。将ISFLA用于CEC2005和CEC2015连续基准函数的优化测试和基于Renyi熵的灰度和彩色图像分割的多阈值选择实验中,结果表明,与SFLA和state-of-the-art的LSFLA相比,ISFLA具有更高的优化效率,更适用于多阈值图像分割的阈值选择。

趋优算子和Levy Flight混合的粒子群优化算法

针对Levy Flight粒子群优化算法(LFPSO)普适性不强和搜索效率不高等问题,提出了一种改进的LFPSO算法(ILFPSO),即趋优算子与Levy Flight混合的粒子群优化算法。首先,对Levy Flight进行改进,防止产生无效解,得到改进的Levy Flight;然后,将既有一定全局搜索能力又有较强局部搜索能力的趋优算子与改进的Levy Flight有机融合,以便更好地平衡算法的全局和局部搜索能力;最后,对速度边界动态调整,有利于搜索前期找到全局最优点和搜索后期找到局部最优解。28个benchmark函数优化仿真结果表明,与4种最先进的PSO改进算法LFPSO、ELPSO、SRPSO和RLPSO相比,ILFPSO更具有竞争性的优化性能、更好的普适性和更快的运行速度。

基于覆盖的Sugeno测度粗糙集模型及其三支决策

概率粗糙集是研究不确定信息的重要理论基础,有着广泛的应用。由于概率粗糙集中的等价关系和概率测度的可加性要求过于严格,且在实际问题应用中难以满足,因此,对概率粗糙集及其模型进行拓展研究是非常有必要的。在概率粗糙集、Sugeno测度和三支决策的理论基础上,对基于覆盖的Sugeno测度粗糙集模型及其三支决策规则进行了研究。首先构造了一种基于覆盖关系的Sugeno测度粗糙集模型,定义了该模型的上、下近似算子;然后证明了其并、交、补等运算的代数性质;最后结合三支决策理论,给出了该模型的三支决策规则和方法,并用实例验证了其有效性。

基于深度迁移学习的烟雾识别方法

针对传统的基于传感器和图像特征的烟雾识别方法易被外部环境干扰且识别场景单一,从而造成烟雾识别精度较低,而基于深度学习的识别方法对数据量要求较高,对于烟雾数据缺失或数据来源受限的情况模型识别能力较弱的问题,提出一种基于深度迁移学习的烟雾识别方法。将ImageNet数据集作为源数据,利用VGG-16模型进行基于同构数据下的特征迁移。首先,将所有的图像数据进行预处理,对每张图像作随机变换(随机旋转、剪切、翻转等);其次,引入VGG-16网络,将其卷积层特征进行迁移,并连接预先使用烟雾数据在VGG-16网络中训练过的全连接层;进而构建出基于迁移学习的深度网络,从而训练得到烟雾识别模型。利用公开数据集以及真实场景烟雾图像进行实验验证,实验结果表明,和现有主流烟雾图像识别方法相比,所提方法有较高的烟雾识别率,实验精度达96%以上。

混合迁移的高效BBO算法及其在图像分割中的应用

针对高维多阈值分割由于维数增加带来的优化难度加大的问题以及标准生物地理学优化(biogeography-based optimization,BBO)算法效率不高的问题,提出了一种用于高维OTSU多阈值分割的高效生物地理学优化(efficient BBO,EBBO)算法。首先构建新型随机扰动变异算子,然后将此变异算子融合到启发式迁移算子中形成一种高性能的混合迁移算子,去掉了计算变异概率和设置变异参数等环节,以便提高算法的效率;其次将基于迁出率的赌轮选择方式改成无需迁出率的榜样学习选择方案,并将迁入率的多次计算变成一次计算,进一步提高算法的效率;然后将BBO算法中的精英保留方案换成贪婪选择方法,以加快算法的收敛速度;最后将这种EBBO算法应用到高维OTSU多阈值分割中。实验结果表明,与当前的EBO算法、BDE算法、MKTO算法以及BBO算法相比,EBBO算法在高维多阈值分割中不仅有更好的优化性能和更快的运行速度,而且减少了参数设置。

交叉反向学习和同粒社会学习的粒子群优化算法

针对社会学习粒子群优化(SLPSO)算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法(CPPSO)。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO(CSPSO)算法、自我调节的PSO(SRPSO)算法、异构综合学习的PSO(HCLPSO)算法和反向学习和局部学习能力的PSO(RLPSO)算法。

嵌入趋化算子的PSO算法及其在多阈值分割中的应用

针对标准粒子群优化(Particle Swarm Optimization,PSO)算法在优化选择多阈值时易陷入局部最优等问题,提出一种嵌入趋化算子的PSO算法。首先针对标准PSO算法具有较强的全局寻优能力但局部搜索能力较差,而细菌觅食优化(Bacterial Foraging Optimization,BFO)算法具有较强的局部搜索能力的特点,将BFO算法中具有较强局部搜索能力的趋化算子嵌入到PSO算法中,形成一种嵌入趋化算子的PSO算法(Chemotaxis Operator embedded PSO,COPSO),以此优势互补,使COPSO算法既有较强的全局搜索能力,又有较强的局部搜索能力。最后将COPSO算法用于最大熵多阈值图像分割中,得到最佳阈值向量。实验结果表明:与标准的PSO、BFO和GA算法相比,该算法具有更好的优化效果和更短的寻优时间。