基于改进马尔科夫特征的图像拼接检测研究

针对传统马尔科夫特征拼接检测准确率不高的问题,提出了一种有效的马尔科夫特征提取方法。与传统马尔科夫特征的计算过程不同,只计算水平和垂直两个方向的转移概率矩阵,选择四个转移概率矩阵中对应位置求和后的值作为最终特征。求和操作不仅降低了特征维度,而且使真实图像与拼接图像之间的概率分布区分更加明显。所提出的算法的特征维度与数据集无关。该方法在哥伦比亚彩色拼接检测图库、CASIA V1. 0和CASIA V2. 0数据集上测试的准确率分别为94. 38%、99. 19%、96. 02%。     

基于贝叶斯思想的框架结构损伤检测方法研究* .txt

摘要：基于单自由度体系的统计矩理论，以位移四阶矩和加速度八阶矩为损伤指标，使用贝叶斯思想和Gibbs抽样相结合方法，提出一种框架结构损伤检测新方法。以理论分析为基础选取3种典型损伤指标，在信噪比40及30 dB环境噪音的不同损伤工况下，使用贝叶斯思想和Gibbs抽样相结合方法，对某12层标准框架数值模型的不同损伤指标进行了损伤识别效果的对比研究，并在此基础上与其他相似检测方法进行对比分析，发现使用贝叶斯思想和Gibbs抽样相结合的新方法，提出的损伤指标更适合框架结构损伤检测，与标准结果偏差均在5%以内。进一步分析12层标准框架振动台试验数据，选取3个典型振动工况中所有梁柱单元及前20个振动工况累积下的典型梁柱单元分别进行损伤检测，结果表明，所提方法避免了多次采样进行贝叶斯分析的局限性，且一定程度上能反映各损伤单元随振动台试验工况累积而表现出来的损伤程度变化，有助于推动所提方法在框架结构损伤检测中的实际应用。 .txt     

群智能优化算法反演概率积分参数的性能比较与分析

目前,各种群智能优化算法涌现且各有特色、性能各异、普适性不强、在开采沉陷领域应用较少,更为重 要的是,众多学者面对该类算法,无法有效选择最优算法进行开采沉陷研究。 常见的群智能优化算法中狮群算法( Lion Swarm Optimization,LSO)、蝙蝠算法(Bat Algorithm,BA)、人工鱼群算法(Artificial Fish School Algorithm,AFSA)具有 不同的特征,且在概率积分参数反演中鲜有应用。 为此,将上述 3 种群智能优化算法引入概率积分参数反演中,并从 抗随机误差性能、抗粗差干扰性能、观测点缺失的抗干扰性能、参数波动性和全局搜索性能等几个角度对群智能优化 算法进行研究分析。 模拟试验及工程实例分析表明,上述 3 种群智能优化算法均满足应用精度要求。 LSO 算法在抗 随机误差干扰影响、观测点缺失的抗干扰能力方面以及参数结果总体波动性方面相对于 BA、AFSA 算法有一定优势; BA 算法在抗粗差干扰能力方面优于 LSO、AFSA 算法;在全局搜索性能方面,随着反演参数解空间范围扩大为原来的 2 倍后,用 AFSA 算法反演概率积分参数的精度优于 LSO、BA 算法。 通过详细比较分析,总结了上述 3 种算法在开采 沉陷中的性能表现,可为有效选择合适的群智能优化算法进行概率积分参数反演提供参考。     

检验THERP合理性及不足的实验研究——以汽车冷媒加注工序为例

为了检验人的失误概率预测技术（technique of human error rate prediction，THERP）的合理性及不足，以汽车内饰冷媒加注工序为例，采用E-prime实验的方法分析了冷媒加注工序的人因失误概率。通过比较发现，汽车冷媒加注工序的4个任务的人因失误概率的实验结果与THERP的理论计算结果基本一致，说明了THERP方法的合理性。并说明了THERP的不足在于计算人因失误时忽略了操作行为中的认知过程。