优化初始中心点的小麦品质区域聚类

为探寻区域性小麦品质聚类的适宜算法,针对经典K-Means（KM）算法对初始聚类中心的敏感问题,以我国主要冬麦区为研究实例,探讨了两种初始中心点改进算法对大规模小麦品质数据集的适应性,综合距离与密度两因素,提出了一种基于密度参数和邻域半径的优化初始中心点小麦品质聚类算法。相对KM算法及文献改进算法,所提算法可较为准确地提取数据集高密度区域的初始中心点,聚类过程及性能对静态簇与非静态簇两种不同迭代方案相对不敏感。实验结果验证了算法的有效性和可行性,在收敛性能及稳定性方面具有一定的优势。     

骨架驱动的作物叶片变形模拟

针对作物器官的变形问题,将骨架驱动物体变形的方法应用于作物器官的局部变形,提出了一种骨架驱动的叶片变形方法：生成叶片骨架模型,驱动骨架模型发生变形,并根据变形后的叶片骨架将变形操作应用到叶片曲面上,进而实现叶片曲面变形。应用该方法,分别对小麦叶片曲面进行弯曲和扭曲变形模拟。实验结果表明,基于骨架驱动的作物叶片形变方法能灵活控制叶片弯曲和扭曲程度,从而获得自然的叶片曲面变形效果。     

基于拓扑排序资源约束下多项目调度优化算法

多项目调度存在着工期和资源的竞争,调度时要考虑时序关系和资源受限两方面约束,启发式串行调度算法在每调度一个任务时都必须搜索项目的任务空间,为此提出了一种基于拓扑排序的多项目串行调度优化算法。此算法利用拓扑排序序列的特点保证任务时序关系,缩小调度时搜索空间,结合项目权重、向后影响度以及关键路径等优先规则进行资源分配和任务调度。通过具体实例验证了此算法可以求得项目调度的最优解并且能够有效地缩短调度计划生成时间。     

作物可视化中的碰撞检测及响应研究

将碰撞检测与响应技术引入作物可视化生长模拟,针对以NUR13S曲面表示的作物叶片,提出了一种基于曲 面分割技术及混合层次包围盒实现作物叶片间碰撞检测的方法。首先采用节点插入技术分割叶片曲面,然后为分割 后的叶片曲面建立轴向包围盒(AAI313)与固定方向凸包(FDH)的混合层次包围盒树:根节点采用AA1313包围盒,以快 速排除不可能相交的叶片;其它层节点采用FDH包围盒,以保证精确地判定距离较近的叶片间碰撞状态。在此基础 上,根据作物叶片形态变化规律,提出了较合理、有效的冲突响应机制。实例分析表明,所建立的算法可有效地应用于 作物叶片碰撞的模拟实现。     

分布式网络主动防御系统研究

针对DDOS和蠕虫的特点,提出了一种NeTraMet和QOS相结合的主动防御机制,实现对DDOS和蠕虫经济高效的防治.在蠕虫检测上考虑了无特征蠕虫和有特征蠕虫两种情况;一般基于流量的DDOS检测方法预警时,网络实际已经受到一定程度的攻击而且发生阻塞,为了能够更早预警DDOS攻击,提高网络生存性,在DDOS检测中提出了可疑流量线,当流量达到可疑流量和攻击流量之间时,就启动防御机制,利用路由器的QOS功能,尽量减少攻击流的消耗带宽,维持网络正常服务.最后在NS2中进行模拟验证.     

图像的模糊识别方法研究与实现

分类器设计的好坏对于图像识别效果有着重要影响.本文基于黄等所提出的识别方法,定义了一类更广泛的隶属函数,并借助于投影算子理论、子空间理论,对所提隶属函数的性质进行了深入的理论分析,证明了所提隶属函数所具有的若干良好特性,证实了所设计的分类器是二次非线性分类器.最后,设计了从特征抽取到识别的整个流程,并应用于人脸识别.实验结果表明,此方法具有良好的识别性能.     

作物可视化中的碰撞检测及响应研究

将碰撞检测与响应技术引入作物可视化生长模拟,针对以NURBS曲面表示的作物叶片,提出了一种基于曲面分割技术及混合层次包围盒实现作物叶片间碰撞检测的方法.首先采用节点插入技术分割叶片曲面,然后为分割后的叶片曲面建立轴向包围盒(AABB)与固定方向凸包(FDH)的混合层次包围盒树:根节点采用AABB包围盒,以快速排除不可能相交的叶片;其它层节点采用FDH包围盒,以保证精确地判定距离较近的叶片间碰撞状态.在此基础上,根据作物叶片形态变化规律,提出了较合理、有效的冲突响应机制.实例分析表明,所建立的算法可有效地应用于作物叶片碰撞的模拟实现.     

基于最大均值差异的多标记迁移学习算法

针对多标记迁移学习中源领域与目标领域的特征分布差异会导致源领域数据无法被目标领域利用的问题,提出了一种基于最大均值差异的多标记迁移学习算法（Multi-Label Transfer Learning via Maximum mean discrepancy,M-MLTL）,算法通过分解关系矩阵构造共享子空间,并采用最大均值差异（maximum mean discrepancy）作为评价指标,最小化子空间特征的分布差异,从而使源领域与目标领域的特征分布尽可能相似．多标记图像分类实验的结果表明,新算法比同类算法有更高的精度和计算效率．     

精英策略个体优势遗传算法研究

针对遗传算法存在的局部搜索能力差、早熟收敛和进化后期收敛速度慢的问题,提出了一种改进精英策略的个体优势遗传算法（Individual Advantages Genetic Algorithm,IAGA）。IAGA通过在精英子种群更新中不断增加精英个体数量和多样性,在保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子,提高了算法前期向全局最优解靠拢的速度;引入个体优势算子,提高种群优势个体的多样性,有效改善了进化后期收敛速度慢的问题;与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。     

小麦冠层图像H分量的K均值聚类分割

大田环境下小麦冠层图像具有光照不均匀、背景复杂及阴影遮挡等特点,经典图像分割算法存在精度低、过分割等问题,提出一种基于HSI空间下H分量的K均值聚类算法。使用[R+G-B]归一化处理RGB空间下的彩色图像,以抑制其B分量;将归一化图像进行RGB到HSI的颜色空间转化;根据光照是否均匀,使用K均值聚类算法对彩色图像的H分量进行不同的聚类处理,经形态学开运算及去噪处理获得最终目标图像。实验表明,该方法对不同施氮量、不同光照、不同生长时期小麦冠层图像的分割效果较好,相对基于Lab空间的K-means聚类分割,该方法可一定程度避免过分割现象;相对基于H分量的Otsu算法,对光照不均匀图像分割更完整,对复杂背景图像分割更精确。