一种改进的MCM算法

平均曲率运动模型(MCM)是基于偏微分方程的图像处理模型的一种,具有明确的几何意义.提出了模型中退化扩散项的精确计算方法,并采用了两种新的方向估计方法.实验证明了新方法所得的结果优于原方法.     

基于ANSYS软件的管道漏磁场分析

介绍了漏磁场分析的基本理论以及由麦克斯韦方程导出的泊松方程对应的能量泛函,利用基于此理论基础的ANSYS有限元分析软件的ANSYS Multiphysics软件包对管道漏磁场进行模拟仿真,能得出大量缺陷漏磁场数据,这为缺陷漏磁检测定量化打下基础.     

基于pLSA模型的人体动作识别

提出一种基于主题模型的人体动作识别方法。该方法首先提取时空兴趣点(STIP,space-time interest point)来描述人体运动,然后提出使用慢特征分析(SFA, slow feature analysis)算法计算兴趣点梯度信息不变量最优解,最后使用概率潜在语义分析 (pLSA, probabilistic Latent Semantic Analysis) 模型识别人体动作。SFA计算的梯度不变量最优解可以表示时空兴趣点固有特征,能够无歧义反映时空兴趣点在空间及时间方向上的信息。同时,针对pLSA隐性主题正确性无法保证的缺点,算法将主题与动作标签“一对一”相关,通过监督方式得到主题,保证了训练中主题的正确性。该算法在KTH人体运动数据库和Weizmann人体动作数据库进行了训练与测试,动作识别结果正确率分别在91.50%和97%以上。     

舰船固定磁场分量分离的一种新方法

为了准确了解舰船的固定磁场分布,进而对舰船磁性防护作出指导,用等效磁偶极子的方法对舰船固定磁场分量分离的方法进行了研究,通过对固定磁场垂直分量总和的曲线进行分析,根据磁偶极子组合产生磁场规律的先验知识,选择最佳的磁偶极子的排列方式,然后对磁偶极子磁矩范围进行估计,最后利用遗传算法这种全局优化算法求出磁源的参数,进而分离出固定磁场各个分量。仿真计算结果表明,该方法能够比较好地搜索到磁偶极子的最佳数目、位置和磁矩,可以用于舰船固定磁场的分离。     

磁性目标跟踪的后验克拉美罗下限分析与计算

为了求解磁性目标跟踪问题的后验克拉美罗下限(PCRB),提出了PCRB-GMSPPF算法。该算法利用高斯混合采样粒子滤波算法对目标状态的真实后验概率密度分布进行抽样,再通过蒙特卡洛积分法迭代求解每个观测时刻的Fisher信息矩阵,进而得出目标状态估计的PCRB;克服了基于PF算法求解PCRB过程中由于粒子退化和贫化问题造成不能从后验概率分布中正确抽样的缺点;在建立磁性目标跟踪的状态模型和观测模型的基础上进行仿真分析,将求解出的PCRB与采用GMSPPF及PF算法进行跟踪的均方根误差做对比,验证所提的PCRB-GMSPPF算法的有效性,结果表明:针对磁性目标跟踪问题,PCRB-GMSPPF算法较PCRB-PF算法具有更好的准确性,并可用于一般的非线性模型跟踪误差下限分析。     

MEMS磁力线聚集和垂动调制磁场传感器

针对巨磁阻和磁隧道结等磁阻元件的1/f噪声,提出一种采用微机电系统的磁力线聚集和垂动调制磁场传感器。通过将被测磁场从低频转移到几kHz,实现对磁场的DC/AC转化,从而减小了磁阻元件的1/f噪声。基于该方案采用多层膜巨磁阻元件AA002制作了磁场传感器样品,并进行了实验测试,结果表明:磁传感器样品的调制效率达到了19.3%,超过了已有的其他各种调制方案,同时低频磁场的探测能力达到槡120pT/Hz,相比巨磁阻元件AA002提高了40多倍。     

空间关联与多子区规范化梯度方向直方图的 异源图像匹配

提出一种基于稀疏空域分割与梯度方向直方图的异源图像匹配方法。将图像分为多个子区,计算每个子区的梯度方向直方图;计算直方图的汇聚度,并根据汇聚度计算直方图相似性;采用两步搜索法,寻找与基准图中与实时图直方图相似度最高的窗口即为正确匹配结果。采用仿真图和真实异源图像对算法进行了测试,结果表明,这种方法能够可靠快速实现异源图像匹配。     

管道金属磁记忆检测技术现状分析及发展研究

针对管道无损检测问题，阐述了金属磁记忆效应的基本原理，与传统无损检测方式比较，归纳了磁记忆检测的基本特性。在磁记忆检测仪器研发现状的基础上，设计了新型管道磁记忆／漏磁综合检测仪。从检测机理、信号处理和缺陷识别3个方面对检测技术研究现状进行分析和总结。探讨了检测机理的局限性，提出管道磁记忆检测技术的研究新方向。     

炉温对化学气相沉积SiC涂层组成及显微结构的影响

采用SEM、EDX、XRD测试手段对沉积炉壁产物进行了分析,结果表明:低温区沉积的SiC涂层全为β SiC;高温区SiC涂层中含有少量的游离态Si和α SiC;高温区SiC颗粒的形核和生长速率大于低温区;所以温度是影响化学气相沉积SiC涂层组成及显微结构的主要因素。     

Information theory for ranking and selection

We study the classical ranking and selection problem, where the ultimate goal is to find the unknown best alternative in terms of the probability of correct selection or expected opportunity cost. However, this paper adopts an alternative sampling approach to achieve this goal, where sampling decisions are made with the objective of maximizing information about the unknown best alternative, or equivalently, minimizing its Shannon entropy. This adaptive learning is formulated via a Bayesian stochastic dynamic programming problem, by which several properties of the learning problem are presented, including the monotonicity of the optimal value function in an information-seeking setting. Since the state space of the stochastic dynamic program is unbounded in the Gaussian setting, a one-step look-ahead approach is used to develop a policy. The proposed policy seeks to maximize the one-step information gain about the unknown best alternative, and therefore, it is called information gradient (IG). It is also proved that the IG policy is consistent, that is, as the sampling budget grows to infinity, the IG policy finds the true best alternative almost surely. Later, a computationally efficient estimate of the proposed policy, called approximated information gradient (AIG), is introduced and in the numerical experiments its performance is tested against recent benchmarks alongside several sensitivity analyses. Results show that AIG performs competitively against other algorithms from the literature.