梅花形阵列粗糙床面明渠紊流特性

梅花形阵列粗糙是常见的床面粗糙形态,但其水流紊动特性参数在颗粒间的沿程变化和不同象限间的分布差异等研究仍较薄弱。采用不同颗粒大小和排列间距的圆形玻璃珠制作了3种梅花形阵列粗糙床面,基于明渠紊流的PIV水槽试验资料,探讨了无量纲纵向紊动强度T_u、雷诺应力R和紊动能E的分布规律。结果表明:① 颗粒顶部以上区域的T_u、R、E沿程基本呈条带状变化,受颗粒影响较小,而颗粒顶部以下区域则受颗粒影响明显,沿程变化相对复杂,表现出一定的周期性和分区性,并可分为颗粒区和粒间区。② 颗粒顶部以上区域T_u、R、E的垂线分布基本重合,颗粒顶部以下区域则波动明显,分布曲线呈“S”和倒“L”等形状。③ 粒间区各象限的R、E沿程变化较为平缓,接近水平线,第2、4象限的R、E总体大于第1、3象限;颗粒区各象限的R、E沿程分布呈“∪”状并在沿程位置参数x+ = 0附近有最小值。研究成果对鱼道及航道工程设计等具有一定的指导意义。     

基于改进遗传算法的CPS任务分配方法

信息物理系统(CPS)已经成为近年来计算机、传感器等科学研究的热点.由于任务分配的优化程度直接影响到整个系统的性能,该研究已成为CPS系统研究过程中的关键问题.针对这一问题并考虑到传统方法在任务优化性能及效率上的不足,引入并改进遗传算法,提出了一种基于改进遗传算法的CPS任务分配方法.通过动态的变异算子及变异操作保持群体的进化特性,克服了标准遗传算法(SGA)交叉操作中较大的盲目性与随机性.实验结果表明,改进的遗传算法在任务分配的收敛速度和效率上都比标准遗传算法有较大程度的提高,平均收敛速率提高了20%.     

运动显著性概率图提取及目标检测

目的 动态场景图像中所存在的静态目标、背景纹理等静态噪声,以及背景运动、相机抖动等动态噪声,极易导致运动目标检测误检或漏检。针对这一问题,本文提出了一种基于运动显著性概率图的目标检测方法。方法 该方法首先在时间尺度上构建包含短期运动信息和长期运动信息的构建时间序列组;然后利用TFT（temporal Fourier transform）方法计算显著性值。基于此,得到条件运动显著性概率图。接着在全概率公式指导下得到运动显著性概率图,确定前景候选像素,突出运动目标的显著性,而对背景的显著性进行抑制;最后以此为基础,对像素的空间信息进行建模,进而检测运动目标。结果 对提出的方法在3种典型的动态场景中与9种运动目标检测方法进行了性能评价。3种典型的动态场景包括静态噪声场景、动态噪声场景及动静态噪声场景。实验结果表明,在静态噪声场景中,F_score提高到92.91%,准确率提高到96.47%,假正率低至0.02%。在动态噪声场景中,F_score提高至95.52%,准确率提高到95.15%,假正率低至0.002%。而在这两种场景中,召回率指标没有取得最好的性能的原因是,本文所提方法在较好的包络目标区域的同时,在部分情况下易将部分目标区域误判为背景区域的,尤其当目标区域较小时,这种误判的比率更为明显。但是,误判的比率一直维持在较低的水平,且召回率的指标也保持在较高的值,完全能够满足于实际应用的需要,不能抵消整体性能的显著提高。另外,在动静态噪声场景中,4种指标均取得了最优的性能。因此,本文方法能有效地消除静态目标干扰,抑制背景运动和相机抖动等动态噪声,准确地检测出视频序列中的运动目标。结论 本文方法可以更好地抑制静态背景噪声和由背景变化（水波荡漾、相机抖动等）引起的动态噪声,在复杂的噪声背景下准确地检测出运动目标,提高了运动目标检测的鲁棒性和普适性。