彩色图像分割算法研究与费歇算法应用

图像分割是图像分析和模式识别需要解决的首要问题和经典难题。彩色图像比灰度图像具有更多的视觉信息,因而受到了越来越多的重视。文中对各种彩色图像分割方法进行了系统论述,分析了各种方法的优缺点,重点介绍了费歇算法。该算法能有效地对彩色图像进行分割,在工业实践中取得了比较好的效果。     

基于分布式并行遗传算法的电力系统无功优化

针对传统遗传算法寻优质量差、计算时间长的问题,提出了基于计算机集群的一种新的分布式并行遗传算法解决电力系统无功优化问题.采用遗传模拟退火算法和分布式并行计算MPI(Message Passing Interface)技术,实现多进程的分布式集群计算.该算法通过个体迁移策略来协调优化各个子种群,使用计算效率来判断计算负载状态,采用动态种群来进行负载平衡.通过运用标准测试算例IEEE14节点和一个实际电力系统的无功优化计算,结果表明这种算法具有很高的稳定性,有较好的并行效率,适合求解大规模电力系统的无功优化问题.      

一种新的星载GPS定轨滤波算法

针对传统EKF(Extended Kalman Filtering)算法应用于星载GPS(Global Positioning System)低轨卫星定轨时系统噪声方差初值不易确定的问题,提出了一种新的定轨滤波算法.该算法在非线性方程线性化过程中,在前一时刻滤波估值点进行线性化,从而得到扰动方程,并将该扰动方程引入到传统EKF进行滤波处理.该算法与传统EKF分别应用在星载GPS低轨卫星的定轨中,通过比较,结果表明改进的算法在一定程度上抑制了由于系统噪声方差阵选取偏差较大而引起的滤波发散现象,且对于系统噪声方差的初值选取有较强的鲁棒性.      

用于识别两颗故障卫星的RAIM算法

提出了一种可以识别两颗故障卫星的接收机自主完好性监测算法.将最优奇偶矢量法应用于两颗故障卫星识别,指出由于故障偏差可能会抵消而使得正确识别率较低.对最优奇偶矢量法进行了改进,利用对单颗卫星故障敏感的最优奇偶矢量对所有可能的两颗故障卫星组合分别构造两个新的奇偶矢量,用于两颗故障卫星的检测和识别.计算机仿真结果显示,改进后的算法与直接利用最优奇偶矢量法相比,可以显著提高两颗故障卫星正确识别率,识别率可超过90%.同时,改进算法的奇偶矢量构造方法简单,计算量将减少90%以上,更有利于工程实现.      

MIMO系统功率比特自适应算法研究

发射功率受限的自适应调制系统,由于调制方式有限,实际使用的发射功率通常小于受限的发射功率,对这一部分剩余功率进行再分配和利用,能够提高频谱效率。文章对M IMO系统中功率和比特自适应算法进行了研究,提出对剩余功率在空域进行再分配的自适应算法。仿真结果表明,在空域采用等功率分配,再进行空域剩余功率再分配,能够提高频谱效率,并且复杂度低,易于实现。     

一种新的捷联惯导系统圆锥误差补偿算法

旋转矢量法应用在捷联惯导系统圆锥误差补偿中,通过增加子样数能有效提高补偿精度,但子样数的增加会增加导航计算机的计算量.由于导航计算机的硬件性能限制,不可能为了获得高精度补偿性能而大幅增加子样数.因此,提出一种在不增加导航计算机负担下能提高圆锥误差补偿精度的新算法,该算法利用已解算出的当前时刻之前2个周期的姿态信息对旋转矢量进行修正,通过理论推导和实例分析比较,在同子样数下,新算法能达到高出传统算法4阶的补偿精度而不多消耗导航计算机资源.      

组合卫星接收机中的选星算法

分析了五阶矩阵的行列式值与5颗星GDOP(Geometry Dilution of Precision)值的关系,并由此提出了一种用于双卫星星座组合接收机(如GPS(Global Position System)和BD2(BeiDou2)组合接收机)中的选星算法——组合优选法.该方法首先选出行列式绝对值最大的几种组合,然后根据需要对每种组合从其余可见星中选出几颗最优星,最后根据GDOP最小原则从这几种组合中选取最终结果.计算机仿真结果显示该方法与直接利用GDOP选星相比,95％以上的GDOP相对比值小于5％,而计算量减小40％以上.      

基于自适应模拟退火遗传算法的最优Lambert转移

主要研究了航天器采用Lambert二脉冲变轨的优化问题。对于初始位置、目标位置和转移时间都不固定的Lambert二脉冲转移,由于多变量以及方程本身的复杂性,采用传统的优化方法效率低甚至无法求解.采用了自适应遗传算法(AGA),寻求多变量的最优解.同时结合模拟退火算法,得到了自适应模拟退火遗传算法(ASAGA),该算法既具有全局搜索能力,又改善了一般遗传算法的局部寻优能力.通过仿真,比较了遗传算法和自适应模拟退火遗传算法的寻优结果,表明两者寻求最优转移的有效性,以及自适应模拟退火算法具有更强的寻优能力.      

基于铸件热应力及变形的人工神经网络和遗传算法优化方法

将神经网络与遗传算法相结合,以有限元分析得到的样本集合作为教师样本,通过神经网络的训练建立设计参数与控制目标的非线性映射关系,并以此代替后续的有限元分析,获得遗传算法求解优化问题迭代中所需的目标函数近似值。以Al-4.5%Cu应力框为例,在分析铸件热应力及变形机理的基础上,对应力杆的高度、宽度和粗细杆截面比、浇注温度、界面换热系数和砂型的预热温度6个参数进行优化,从而有效地控制铸件内部的热应力及变形。优化结果表明:此方法在较少的有限元计算情况下即可获得较好的优化解,与初始设计相比,弯曲变形和热应力分别降低了58.5%和40.6%。     

复合材料格栅结构优化设计中的计算智能技术

针对复合材料格栅结构优化设计多变量、多约束、连续和离散混合变量、高度非线性的难点,提出了用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替优化过程中的有限元计算,以提高优化效率.以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构进行优化.结果表明,在相同样本数的情况下,进化神经网络可获得比BP网络更高精度的映射模型,具有很强的泛化能力.该方法可以为解决大型复合材料结构优化问题提供一条高效途径.