基于最小值通道与对数衰减的图像融合去雾算法

雾天各类图像采集系统获取的图像颜色退化,细节模糊,严重影响户外成像系统的稳定性和有效性,因此研究图像去雾技术很有必要。针对暗通道一类去雾算法边缘去雾不彻底问题,提出一种基于最小值通道与对数衰减的融合去雾算法。首先,对有雾图像的最小值通道图进行对数衰减作为先验假设条件,再进行交叉双边滤波消除纹理效应,在操作前后分别进行下采样和上采样操作以提高运算速度,求出初始透射率;然后,用Canny算子检测最小值通道图得到的边缘进行对数衰减,得到边缘信息图,将初始透射率与边缘信息图进行加权融合构成优化透射率;最后,结合改进的四叉树搜索法求得的大气光值反解大气散射模型,恢复无雾图像。实验结果表明:所提算法可以有效抑制光晕现象,去除边缘残雾,且实时性好。      

基于振动参数聚类融合的空间轴承故障辨识方法研究#br#

轴承是飞轮和控制力矩陀螺(CMG)等空间惯性执行机构的核心部件,其健康状态直接影响整机性能和使用寿命.当前,由于轻载轴承在正常运转时也可能产生类似于微弱故障特征的现象,导致单一故障特征参数难以辨识正常和微弱故障状态.针对这一问题,本文提出了一种基于振动参数聚类融合的轴承微弱故障辨识方法.首先,通过轴承振动实验获得数据;然后,基于特征频率比值等方法对振动信号进行特征参数的提取;在此基础上,利用K Medoids算法对正常样本进行聚类,并根据3σ法则构建正常运转的安全边界;最后,计算不同轴承故障数据的超限概率,根据概率大小进行故障状态的识别.结果表明,该方法对轴承正常和微弱故障的辨识是可行和有效的.     

基于工程教育专业认证背景下地方特色院校“金课”建设的研究与探索

"金课"作为一项新提出不久的概念,许多重点院校和地方特色院校已经着手打造了一部分精品课程,主要是一些开放性课程和文法类课程,原因是这一类课程思维发散,教学手段多样,可以运用现代化信息技术手段采取线上线下教学模式。但是教育部推出的"金课"建设不单单只是针对于这些类课程,对于工科专业的课程建设,也需要打造"金课",尤其是以工程教育专业认证的标准和理念打造地方特色院校"金课",是我们这些地方特色工科院校需要重点研究和探索的。本文的研究重点在于如何把工程教育专业认证的理念与课程建设有机融合体现工科"金课"的"四性"。     

民用航空产品设计制造单位安全管理体系一体化研究

本文对民用航空产品设计制造单位职业健康安全管理体系、安全生产标准化、安全管理体系(SMS)的融合进行了研究。从理论基础层面和体系要素层面分析了3个安全体系融合的可行性,在对3个安全体系建设标准进行对比分析的基础上,提出构建包括4个支柱、17个要素,以安全管理体系为核心,以职业健康安全管理体系和安全标准化为补充的一体化安全管理体系,并探讨了一体化体系文件编制方法。     

点融合系统在飞行训练中的应用初探

随着我国中低空域逐渐开放,空域布局愈加复杂,各类通航运行矛盾冲突明显。通航产业中架次与时间占比最大的训练飞行,因其运行繁杂,亟需提升空域容量,降低工作负荷,更新教学课程,适应市场需求。本文研究点融合系统,比对训练飞行困境,分析实施基础,对点融合技术在飞行训练中的运用进行初探,认为该技术的应用能优化空域结构,厘清飞行航迹,提升空域容量,缓解学生积压,减少燃油消耗,且已初步具备基础条件。后期还需从机载设备加装、程序设计优化、人员能力提升、运行监管体系搭建等方面加强建设,以满足点融合系统运行所需。     

基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法。首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合。其次,提出两种新的集成学习方法,分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中,KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成,LASSO集成模型针对LASSO分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型,在三个数据集上取得了71.75%的最高平均分类准确率。     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年,基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用,然而对识别感知目标的体积测量,目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法,实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿,相较于原始LeGO-LOAM算法,无人车在高速情况下的构图精度得到提升;通过将激光雷达与视觉进行深度融合,实现了目标的自动识别与全局定位;通过基于平面拟合的地面分割与欧式聚类,实现了目标点云轮廓的实时获取;通过设计一种基于切片法的不规则物体体积测量方法,实现了无人车在运动情况下对目标体积的自动估计。最终,分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明,所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%,具有较好的工程应用价值。