基于认知多样性变异的鸡群算法协同优化异步实现

从小鸡更新公式、优化方式和基于认知多样性变异三方面改进鸡群算法。在小鸡位置更新过程中加入自我学习系数,并向所在种群公鸡学习,同时对未知空间进行探索;采用逆序协同优化异步实现策略提高算法解决更高维度问题的能力;充分利用个体认知多样性,使个体最优以一定概率发生变异,从而带领群体逃离局部最优,收敛到全局最优。Benchmark function测试表明,改进的鸡群算法优于其他优化算法。模型数据反演结果表明,该算法具有很强的全局搜索能力,反演精度较高,同时抗噪能力很强。     

TMS320C80的视频控制器及其应用

视频控制器是ＴＭＳ３２０Ｃ８０中负责与视频接口的部分,它具有灵活、强大的视频控制功能。本文描述了视频控制器的结构、功能和工作原理,同时介绍了它在视频信号采集方面的应用。     

两步最优邻域匹配的快速图像恢复算法

最优邻域匹配(BNM)算法运用全搜索策略，具有很高的计算复杂度．跳跃环顾最优邻域匹配(JLBNM)算法采用跳跃与环顾相结合的搜索策略，提高了匹配速度．文中提出一种两步最优邻域匹配(TSBNM)算法，利用两步搜索作为搜索策略，交替运用浏览搜索和精细搜索寻找最优匹配块；同时，精细搜索借鉴了菱形搜索算法的搜索思想，使用模板进行搜索．实验证明，在获得相当恢复质量的前提下，TSBNM算法的处理时间约为BNM算法的8％～10％，约为JLBNM算法的77％．     

空气中可吸入颗粒物的两种测定方法的比较

本文对测定空气中可吸入颗粒物的两种仪器;TEOM系列1400A微量振荡天平法可吸入颗粒物监测仪与MP101Mβ射线法可吸入颗粒物监测仪进行了对比,并且给出了对比结果：β射线法与微量振荡天平法测量结果具有较强相关性,两种方法都是可取的。     

多端柔性直流输电解决含高比例可再生源电网消纳送出方案

风电、光伏等可再生能源大规模接入消纳是我国电网发展过程中亟待解决的问题。可再生能源出力的不确定性和波动性是影响高比例可再生能源区域电力送出和稳定运行的主要因素。尤其对于电网比较复杂的区域,可再生能源占比高会给电网规划和运行带来很大问题。为抑制高比例可再生能源波动性及出力不确定性对电网稳定性和送出能力的影响,可通过柔性输电技术灵活控制潮流和动态无功控制支撑电压稳定。以云南电网为背景,设计了楚雄大理地区的柔性多端直流联网方案,并给出了控制策略。仿真结果表明,柔性多端输电技术可增强地区电网的稳定性,并大大提高地区电网的送出能力。     

雪茄烟田微生物群落和土壤理化性状与青枯病发生的关系

为明确影响雪茄烟青枯病发生的关键微生物和土壤因素,采用扩增子测序法,研究了青枯病发病与未发病根际土壤细菌和真菌群落结构组成、土壤理化性状及相互间的关系。结果表明,相对于未发病根际土壤,发病土壤有提高微生物多样性和复杂程度的趋势,增加了假单胞菌（Pseudomonas)、肠杆菌（Enterobacter）、弹球菌（Sphaerobolus）、毛枝菌（Trichocladium）、镰刀菌（Fusarium）等的相对丰度,降低了朱氏杆菌（Chujaibacter）、寡养单胞菌（Stenotrophomonas）、罗河杆菌（Rhodanobacter）、被孢霉菌（Mortierella）、毛壳菌（Chaetomium）等的相对丰度。病情指数与土壤含水量（SAWC）、毛管孔隙度（SCM）、有效磷（AP）显著正相关;与土壤通气孔隙度（SAP）、pH、交换性钙（ECa）显著负相关。典型相关、主成分及最小数据集分析表明土壤SCM、AP和劳尔氏菌（Ralstonia）、Chujaibacter相对丰度是雪茄烟青枯病发病的关键土壤及微生物因子。     

聚酰胺小柱净化-反相液相色谱同时测定海米中4种合成着色剂

建立了酰胺小柱净化-反相液相色谱测定海米中4种合成着色剂含量的方法。确定了以50%丙酮水溶液为提取试剂,干法装聚酰胺粉填料为固相萃取小柱净化提取液,在Athena C18-WP柱(4.6mm×250mm,5μm)上,以甲醇和0.02mol/L的乙酸铵溶液为流动相进行梯度洗脱,流速为0.8mL/min,检测波长为254nm进行检测。结果表明,四种合成着色剂在0.2 mg/L²0mg/L范围内具有良好的线性关系,方法的检出限在0.04 mg/L20mg/L范围内具有良好的线性关系,方法的检出限在0.04 mg/L⁰.06mg/L之间。在实际样品的检测中合成色素的加标回收率在85.0%0.06mg/L之间。在实际样品的检测中合成色素的加标回收率在85.0%⁹7.4%之间,相对标准偏差在2.06%97.4%之间,相对标准偏差在2.06%⁵.18%之间。该方法成本低、简单高效,可用于海米中合成色素的日常检测和风险监测。     

基于聚类稀疏表示与图像块自适应聚合的单幅图像超分辨研究

A Single Image Super-Resolution (SISR) reconstruction method that uses clustered sparse representation and adaptive patch aggregation is proposed. First, we randomly extract image patch pairs from the training images, and divide these patch pairs into dif-ferent groups by K-means clustering. Then, we learn an over-complete sub-dictionary pair offline from corresponding group patch pairs. For a given low-resolution patch, we adap-tively select one sub-dictionary to reconstruct the high resolution patch online. In addition, non-local self-similarity and steering kernel regression constraints are integrated into patch aggregation to improve the quality of the re-covered images. Experiments show that the proposed method is able to realize state-of-the-art performance in terms of both objective evaluation and visual perception.     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

基于时空连续约束的4D脑图像分割模型

纵向分析脑解剖结构的变化可以预测脑组织的生长或萎缩状态,为临床治疗和科学研究提供必要的依据.但由于成像设备或模式不同以及成像时间间隔较长,3D的分割方法得到的结果无法体现脑组织在时间维上缓慢变化的特征.针对这一问题,提出一种基于时空约束的4D脑图像水平集分割模型.该模型包含了由全局以及局部信息组成的数据拟合项、空间平滑项以及时间平滑项.其中数据拟合项体现了各个时间点的图像灰度信息,空间和时间平滑项则能保证分割结果在时空维上体现其缓慢变化的特性.实验结果表明本文方法既能保证准确的分割结果又能保证空间维以及时间维上的连续性.