混合排名映射概率和混沌搜索的ABC算法

针对由于人工蜂群算法(Artificial Bee Colony algorithm,ABC)采用直接映射概率选择食物源而引起收敛速度慢、陷入局部最优等问题,提出一种混合排名映射概率和混沌搜索的人工蜂群算法((Artificial Bee Colony algorithm based on Hybrid rank mapping probability and Chaotic search,ABC-HC))。首先,利用目标函数值的排名来获取选择食物源的排名映射概率,并提出计算排名映射概率的两种方法;然后,在观察蜂阶段,融合这两种计算概率的方法,即不同的搜索阶段采用不同的排名映射方法计算食物源选择概率,构造基于混合排名映射概率的人工蜂群算法,以便能够维持种群的多样性避免陷于局部最优;最后,在侦查蜂阶段,使用混沌搜索替代随机搜索以便进一步提高收敛速度,最终获得较好的全局最优解。对10个标准测试函数进行仿真,结果表明,ABC-HC算法不仅提高了收敛速度,而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC算法和进化算法。     

高温热压马尾松胶合板试验

马尾松(Pinus massoniana Lamb)是亚热带地区重要针叶树种,它广泛分布于我国长江流域和江南广大地区。木材蓄积量丰富。马尾松生产胶合板在我国已有30年历史,是南方各省(区)胶合板生产的主要树种。由于该树种结构粗,不均匀,多节,木材内含松脂较多,给胶合板制造工艺带来一定困难,例如松脂给旋切、干燥、热压和砂磨等工序造成不良影响。我国南方各省生产马尾松胶合板已积累     

改进MOEA/D算法的异构网络接入控制

为改善异构无线网络的业务接入质量,建立异构无线网络的多目标优化数学模型,利用权重向量与个体的匹配优化和自适应领域的策略对MOEA/D算法进行改进,提升种群的多样性和算法收敛性,还使Pareto最优解的分布更加均匀.通过在8个多目标函数上进行测试,得到的IGD均值和标准差明显优于其它3种比较算法,验证了改进策略的有效性和优越性.仿真结果表明,改进算法在处理异构网络接入控制时,能够综合考虑占用资源率、网络阻塞率和负载均衡,得到的效果均优于其它3种算法,实现了网络资源的优化配置,改善了业务的接入质量.     

融合小波与2D PCA的贝叶斯人脸识别

提出了融合小波和2DPCA进行贝叶斯人脸识别的方法。对原始图像采用小波分解后,利用2DPCA计算人脸的特征矢量空间。首先对低频子图进行贝叶斯人脸识别,然后对得分前五名的图像再次利用高频子图并行进行识别,通过加权排序得到最后结果。实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率。     

基于动态集群和DKF的协作式目标跟踪

针对具有有限感知范围的无线传感器网络中的动态目标跟踪问题,提出了一种将卡尔曼一致滤波和动态集群自组织相结合的协作式动态目标跟踪算法。首先,算法采用一个由群头挑选阶段和集群重新配置阶段构成的动态集群协议来限制参与目标状态估计过程中节点间的信息交换,然后用一个分布式加权估计预测算法即卡尔曼一致滤波来估计目标状态并预测其下一个位置,这样有助于唤醒最合适的节点来进行目标跟踪并最恰当地组织网络通信,而其他节点保持在睡眠状态。仿真结果表明,提出的算法相比于集中式和其他2种常用的分布式动态目标跟踪算法,不仅能够降低网络的平均能耗,而且能够明显提高跟踪过程中的误差估计质量。     

基于随机对策的团队CGA学习

分布式虚拟环境中,个体CGA通过学习来适应环境和团队中其他CGA,从而增强团队求解问题的能力,提高团队的适应性和鲁棒性。当基于随机对策的团队CGA学习出现多个平衡解时,必须解决平衡的选择问题。提出了一种团队CGA学习方法TCCLA,该方法把团队CGA的学习分为两个层次:管理成员的学习和非管理成员的学习,团队中所有成员根据偏好选择最优行为,非管理成员在管理成员的引导下学习到最优平衡,解决了平衡的选择问题,改进了IPL算法,实验表明TCCLA算法的高效性。     

融合2DPCA和贝叶斯的人脸识别算法

提出了融合2DPcA和贝叶斯的人脸识别方法.首先用2DPcA方法进行识别,选择得分前10名的图像作为候选图像,然后对候选图像和测试图像进行小波分解,对得到的高频与低频子图并行进行贝叶斯人脸识别,通过加权排序得到最后结果.通过在FERET人脸库上的实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率.     

人脸识别技术研究

简要回顾了人脸自动识别技术的研究背景及发展历程,重点讨论了当前七种热点识别算法,对各种方法加以评价,总结了现存的研究困难,提出了解决方法及发展方向。     

融合Gabor小波和贝叶斯的人脸识别算法

由于Gabor小波和贝叶斯方法都可以通过不同的机制来减少类内差异,提出了融合Gabor和贝叶斯的人脸识别方法。该方法首先通过人脸图像特征点与Gabor滤波器的卷积来提取特征,借鉴“作差法”形成“类内差”和“类间差”空间,并用2DPCA对差异空间进行降维,最后用贝叶斯方法进行分类。通过在AR和FERET人脸库上的实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率,对具有表情及光照变化的人脸具有较高的识别率。     

基于LGBM的Zernike特征选取及红外图像目标识别方法

红外传感技术有效解决了夜间观测的难题,成为现代战场侦察的重要手段之一。不断提升基于红外图像的目标识别能力是实施精确打击、态势感知的有力途径。针对红外图像识别问题,提出基于轻量级梯度提升机（Light Gradient Boosting Machine, LGBM）的Zernike特征选取算法,并结合稀疏表示分类器（Sparse Representation-based Classification, SRC）完成目标类别确认。首先,基于红外图像中的目标区域提取多阶Zernike矩特征,表征待识别目标的本质特性;其次,采用LGBM特征选择算法对多阶矩特征进行二次筛选,减少冗余的同时提高特征的针对性;最后,基于SRC对最终选择的Zernike矩特征矢量进行分类。该方法通过LGBM的特征选择有效提高了最终特征的有效性,同时降低了分类的计算复杂度,有利于提高整体识别性能。采用公开的中波红外目标图像数据集（MWIR）开展验证实验,对10类典型军事目标进行区分识别。实验分别在原始样本、噪声干扰样本以及部分缺失样本三种条件下进行并与几类现有红外目标识别方法进行对比讨论。结果表明:所提方法可取得更优性能,证明其有效性。