基于信息熵加权的FCM交通状态识别研究

在城市交通状态识别中,饱和度、平均排队长度、平均行程速度以及时间占有率等交通参数常用作评价指标。针对以上指标对交通状态影响程度不同的问题,提出基于信息熵加权的FCM聚类算法识别局部路网交通状态的方法。将路网中关键交叉口和其上游路段作为一个识别单元,引入信息熵理论对每个评价指标进行权重确定,用加权欧氏距离优化FCM算法的目标函数,从而提高算法的聚类性能和对交通状态的识别率。通过改进前后算法对城市局部路网的交通状态进行识别仿真。改进后算法得到的隶属度函数波动较小,具有更好的聚类效果;目标函数值降低约37. 5%,误判率降低7. 14%,识别结果更加准确。

融入类别信息的图像标注概率主题模型

基于概率主题模型的图像标注方法旨在通过学习图像语义进行图像标注,近年来倍受研究人员关注。考虑到类别对图像标注可提供有价值的信息,例如,"高楼"类图像,出现"天空"、"摩天楼"的可能性大于"海水"和"沙滩"。而"海岸"类图像出现"海水"、"沙滩"的可能性要大于"天空"和"摩天楼"。在Corr-LDA模型的基础上利用图像类别来改进图像的标注性能,提出了一个融入类别信息的图像标注概率主题模型。为该模型推导了一个基于变分EM的参数估计算法,并给出了使用该模型标注图像的方法。在Label Me和UIUC-Sport两个真实数据集上验证了提出模型的标注性能要高于其他相比较模型。

基于改进TDOA的近场声源鲁棒定位方法研究

针对不同噪声及信噪比条件下,传统进场声源定位精度低、计算复杂度高的问题,提出一种基于改进的时间到达差(TDOA)近场声源鲁棒定位方法。利用传统FIR维纳滤波器对含噪语音信号进行预处理,增强信噪比,并在频域计算TDOA值;采用空域收缩迭代最小二乘算法取代传统的LS算法进行拟合,计算近场声源位置信息。仿真结果表明,在不同噪声和信噪比条件下,该方法在降低运算量的同时,有效提升了定位精度。

交通流多时间尺度特性分析与参数模型研究

为揭示交通流的内在动态特性,利用符号动力学中的Lempel-Ziv算法计算不同时间尺度下的交通流时间序列复杂度,并基于相关性理论分析方法,探索了交通流在时间和空间上的相关性。针对经典的单段函数模型无法准确表征不同交通状态下交通流参数关系的问题,提出了一种二阶段交通流参数关系模型。采用Pe MS系统采集的交通流数据,运用非线性最小二乘法对交通流量—密度关系进行拟合。实验结果表明:本文模型的拟合性能均优于其他四种模型。从根均方误差(RMSE)可见,模型的拟合标准误差较单段3PL模型平均降低了7.6%,表明模型能较好地表示不同交通状态的参数关系,建立的参数模型对交通状态判别和短时预测具有实际的应用价值。

基于互相关函数的毫米波雷达测距算法研究

经典的线性调频连续波(LFMCW)雷达测距方法用快速傅里叶变换(FFT)进行数据处理,采样点增多时计算量显著增长,使测距系统实时性不理想。为解决此问题引入了互相关函数测距方法,利用LFMCW雷达信号频率成三角形变化且回波延时小于一个周期的特点,进行一个周期内的相关运算就能测出距离值.结合互相关函数测距法测得的值,对采样信息的部分采样点进行FFT变换,可以快速高效地测出更精准的距离信息。MATLAB仿真实验表明,结合互相关函数的测距方法测距误差平均减小1.434 m,平均运算时间减少了0.5 s,提高了测距系统的实时性、精确性。

未知噪声下非线性系统的故障检测方法研究

为解决生产过程中未知噪声背景下非线性系统的故障检测问题,提出了一种基于改进粒子滤波的故障检测方法。首先利用Sage-Husa估计器直接对未知噪声特性进行估计,引入UKF避免SageHusa估计器线性化带来的误差,并充分考虑最新量测信息产生新的建议分布函数;然后采用权值抖动的萤火虫算法优化重采样过程,缓解粒子退化和样本枯竭问题;最后依据改进粒子滤波估计的量测值与实际量测值比较产生残差,以残差为依据进行故障检测。仿真结果验证了该方法的有效性。

研究生招生考试考点管理软件开发及应用

针对目前研究生招生考试考点管理过程中存在人工作业量大、考场安排易出现疏漏等不可控问题,开发了基于Client/Server(简称C/S)技术的研究生招生考试考点管理软件,考试考点数据的收集、处理、存储将全部在计算机上完成,包括考场安排、报表管理、试卷管理、缺考管理等,使得研究生招生考试考点管理工作更加方便、规范,减少了考务组织的难度,并进一步提高了甘肃省教育信息化水平。

优化的BP神经网络短时交通流预测方法

针对传统的误差逆向传播(BP)神经网络方法在进行交通流预测时存在网络准确性差,权值设置敏感等缺点,提出一种基于改进蝙蝠算法(BA)优化BP神经网络的交通流短时预测方法。引入自适应惯性权重和加速因子对原始蝙蝠算法进行优化,提高其收敛速度及寻优精度;用改进的BA对BP神经网络的权值和阈值参数优化并构建BA-BP模型进行短时交通流预测。实验结果表明:与传统BP相比,该方法平均绝对误差降低了3.0785,均方误差降低了4.4710。

基于小波和多维重构的BP神经网络交通流短时预测

针对采集过程中噪声影响以及交通流时间序列的强相关性,提出一种基于小波和多维重构的BP神经网络交通流短时预测方法。运用启发式小波降噪法对原始交通流数据进行降噪处理,剔除数据中的噪声;基于C-C法将交通流数据进行多维度相空间重构,充分挖掘交通流的多维变化特性;构建多维度的BP神经网络进行交通流短时预测研究。运用2 400组数据进行实验,并与传统的BP神经网络、Elman神经网络以及SVM进行对比。实验结果表明,该方法具有较高的预测精度,绝对误差降低约2.408 0,均方误差降低约26.597 2。

基于粒子群优化粒子滤波和CUDA加速的故障诊断方法

在非线性系统中,粒子滤波需要大量粒子才能保证状态估计的准确度,这降低了算法的实时性,导致故障诊断的准确率和实时性不佳。针对该问题,提出基于GPU平台的粒子群优化粒子滤波(PSOPF)并行算法。通过分析PSOPF算法的并行性,设计并实现一种基于CUDA并行计算架构的PSOPF并行算法,利用大量的GPU线程对算法进行加速。为解决拒绝重采样对GPU全局内存的非合并访问带来的执行效率低问题,通过改进拒绝重采样并行算法,使线程束中的线程对同一内存区段中的粒子进行重采样,提高了其执行效率。通过对风力机组变桨距系统故障诊断验证了算法的有效性。实验结果表明,该方法可满足故障诊断准确率和实时性的要求。

基于多特征融合的改进UPF目标跟踪算法

针对单特征目标跟踪算法的鲁棒性较差以及不能充分利用最新的量测信息等问题,提出了一种基于多特征融合的改进UPF(Unscented Particle Filter)跟踪算法.基于比例最小偏度单形采样策略的UKF(Unscented Kalman Filter)算法和IKF(Iterated Kalman Filter)算法对粒子滤波算法进行改进,并在改进的算法框架下,采用不确定性度量方法融合目标的颜色和纹理特征,对目标进行跟踪.仿真实验表明,改进算法提高了跟踪精度,对复杂背景下的目标进行跟踪有较好的效果,并能有效跟踪被遮挡的目标.

自适应遗传算法的Multi-Agent交通信号优化控制

在区域交通多智能体信号控制系统中,由于传统遗传算法早熟收敛,全局搜索能力不强,无法快速找到最佳配时方案,同时没有考虑相邻交叉口的关联性,针对这种情况,提出交叉口子区Agent代替传统的交叉口Agent,在交叉口子区Agent中引入自适应遗传算法,算法根据交通流量的变化对绿信比λ进行优化,使交叉口平均延误时间D最短。实验结果表明交叉口子区Agent代替交叉口Agent后,控制效果相似,节省了硬件资源,在交叉口子区Agent中引入自适应遗传算法下的信号控制能迅速找到最佳配时方案,使平均延误时间最短。仿真实验表明,将基于自适应遗传算法的交叉口区域控制应用到交叉口信号控制中有更好的性能,证明了用交叉口区域智能体替代交叉口智能体的可行性。

基于自适应特征融合的人脸识别

针对单一人脸特征在人脸识别中的局限性问题和二维主成分分析人脸特征缺少判别信息的问题,利用互补思想,提出了一种改进的二维主成分分析与二维线性鉴别分析加权融合的人脸识别算法。利用离散余弦变换对原始人脸图像进行压缩并重建,以滤除图像中人眼并不敏感的中高频部分,再利用二维主成分分析方法进行人脸特征的提取;运用二维线性鉴别分析方法提取原始人脸图像中具有鉴别性的人脸特征;最后,提出一种自适应的权值选取方法,将两种人脸特征进行加权融合以实现分类识别。在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。

关联交叉口子区的信号优化控制方法

在交叉口群的信号优化控制过程中,针对遗传算法早熟收敛且对相邻交叉口关联性考虑较少的问题,提出一种关联交叉口子区的信号优化控制方法。利用软集合理论将关联性强的交叉口划分在同一个子区;采用基于共享函数的小生境技术调整群体中个体的适应度并自适应地调整算法的交叉概率Pc和变异概率Pm对遗传算法进行改进;使用改进的遗传算法对关联交叉口子区的平均延误时间D进行优化。路网实测数据的仿真实验表明本文方法对交叉口群进行了合理的子区划分,且改进的遗传算法在子区信号优化控制中迭代次数减少,使得交叉口的平均延误时间更短。

融合LSH和LoG特征的人脸识别

为了解决人脸识别率受光照变化影响较大的问题,提出一种局部敏感直方图(LSH)和高斯-拉普拉斯(LoG)特征相结合的人脸识别方法。首先,提取人脸图像中的LSH光照不变特征以及LoG边缘细节特征,然后通过计算各特征的标准差确定自适应融合权重,将其进行特征级融合来弥补单一使用LSH特征带来的细节损失,并以此构建更为有效的人脸特征样本集,最后使用稀疏表示算法对样本进行分类识别。在PIE和AR人脸库上的实验表明,所提方法能很好地处理光照问题,而且在训练样本较少的情况下,依然能获得较高的识别率。

改进Corr-LDA的图像标注概率主题模型

对标有文本词的图像数据进行调研,发现真实图像中被标注的事物往往占整个画面的部分较大,而现有的图像标注工作没有考虑这一信息,本文基于此,在Corr-LDA的基础上提出一种文本主题选择是依照图像主题分布的图像标注概率主题模型.同时,为该模型推导了一个基于变分EM的参数估计算法,并给出使用该模型标注图像的方法.在Label Me和UIUC-Sport两个真实数据集上验证了提出模型的标注性能要高于其它相比较模型.

基于改进的萤火虫算法优化粒子滤波方法

针对粒子滤波算法权值退化和多样性匮乏造成的滤波精度下降问题,提出了权值抖动萤火虫算法和不完全重采样结合的方法来改进粒子滤波.该算法在全局最优值代替萤火虫间的交互信息基础上利用权值抖动吸引度函数改进萤火虫算法来优化粒子滤波的采样过程,使粒子集趋向于真实值附近,同时采用不完全重采样方法,能够缓解粒子退化问题.实验结果表明该算法可以有效缓解粒子退化和改善粒子多样性贫化,同时提高了滤波精度.

自适应蝙蝠算法优化PF的风力机桨距系统故障诊断方法

针对粒子滤波(PF)在变桨距系统故障诊断中存在的样本贫化现象导致故障诊断精度低的问题,提出一种蝙蝠算法自适应优化粒子滤波的故障诊断方法。通过改进的蝙蝠算法优化粒子滤波的采样过程,并结合最新的观测值定义粒子适应度函数,引导粒子整体向高似然区域移动;同时引入一个动态自适应惯性权重来设计新的粒子全局搜索位置更新机制,自适应调整粒子的全局搜索与局部搜索能力的有效协调,改善粒子贫化及陷入局部极值的问题,以期提高粒子群对故障状态的估计性能。通过对风力机桨距系统执行器和传感器故障诊断的仿真分析,表明该方法可有效提高故障诊断的准确性。

考虑噪声扰动干扰的室内行人跟踪方法

针对光照阴影干扰情况下室内行人的精确跟踪问题,提出了一种考虑噪声扰动干扰的均方根无迹H∞滤波跟踪方法。该方法采用无迹变换取代复杂的雅克比矩阵计算,并利用高斯密度近似滤波分布,降低了观测方程的线性近似误差;通过对目标状态协方差矩阵的均方根进行柯西分解,消弱了系统观测噪声对观测值的扰动影响,并降低了计算复杂度。相似颜色干扰及阴影干扰情况下的仿真结果显示,同传统的UKF、EKF和PF非线性方法相比,本文方法平均跟踪误差降低了30%,运行时间降低了18.7%,有效提升了阴影干扰及相似特征干扰情况下的行人跟踪精度,并增强了实时性。

基于IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.