123,123,123

基于改進(jìn)SFM的三維重建算法研究[嵌入式技術(shù)][工業(yè)自動(dòng)化]

針對(duì)現(xiàn)有運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)算法重建模型存在點(diǎn)云稀疏等問(wèn)題，提出一種利用不同匹配數(shù)據(jù)進(jìn)行模型重建的算法。首先通過(guò)對(duì)比上下文直方圖(CCH)生成匹配數(shù)據(jù)，利用M估計(jì)抽樣一致(MSAC)估算圖像基礎(chǔ)矩陣，進(jìn)而分解得到平移和旋轉(zhuǎn)矩陣，并根據(jù)相機(jī)內(nèi)參計(jì)算投影矩陣，然后利用KLT匹配算法更新匹配數(shù)據(jù)，最后三角化生成三維點(diǎn)云。該算法匹配精度高，圖像基礎(chǔ)矩陣易于收斂，通過(guò)位移實(shí)現(xiàn)特征點(diǎn)匹配，彌補(bǔ)了圖像低頻區(qū)域匹配數(shù)據(jù)不足的缺陷。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有算法相比，該算法生成的點(diǎn)云更致密；在真實(shí)環(huán)境下，該算法可用于物體三維重建。

發(fā)表于：2019/2/28 13:13:00

基于AdaBoost-PSO-ELM算法的滑坡位移預(yù)測(cè)研究[嵌入式技術(shù)][工業(yè)自動(dòng)化]

礦山排土場(chǎng)滑坡的過(guò)程是一個(gè)動(dòng)態(tài)、大延遲、高度非線性的特性問(wèn)題，影響礦山排土場(chǎng)滑坡的因素眾多，各個(gè)特性指標(biāo)間相互影響，關(guān)于排土場(chǎng)滑坡預(yù)警并沒(méi)有嚴(yán)格的劃分標(biāo)準(zhǔn)。對(duì)此，提出一種自適應(yīng)提升算法(Adaptive Boosting，AdaBoost)、改進(jìn)的粒子群算法(Particle Swarm Optimization，PSO)和極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)相結(jié)合的礦山排土場(chǎng)滑坡短期預(yù)測(cè)方法。該方法首先利用粒子群優(yōu)化算法得出ELM模型的最佳輸入?yún)?shù)，再通過(guò)自適應(yīng)提升算法將得到的多個(gè)極限學(xué)習(xí)機(jī)弱預(yù)測(cè)器組成新的強(qiáng)預(yù)測(cè)器并進(jìn)行預(yù)測(cè)，最后以某礦山排土場(chǎng)采集的數(shù)據(jù)為算例，結(jié)果表明改進(jìn)的組合方法的預(yù)測(cè)精度明顯優(yōu)于由粒子群優(yōu)化算法優(yōu)化參數(shù)的極限學(xué)習(xí)機(jī)模型和單獨(dú)的極限學(xué)習(xí)機(jī)模型的預(yù)測(cè)精度，其預(yù)測(cè)結(jié)果接近于真實(shí)值，為實(shí)現(xiàn)礦山排土場(chǎng)滑坡預(yù)警提供了可能。

發(fā)表于：2019/2/28 11:50:00

? 基于Cuckoo平臺(tái)的HDBSCAN惡意代碼聚類算法*[通信與網(wǎng)絡(luò)][信息安全]

? 泛在網(wǎng)絡(luò)日益受到各種各樣的惡意代碼攻擊，已經(jīng)嚴(yán)重威脅到各個(gè)領(lǐng)域的信息安全和網(wǎng)絡(luò)安全。為了分析不同種類惡意代碼之間的異同性，通過(guò)搭建Cuckoo沙箱平臺(tái)模擬惡意代碼運(yùn)行環(huán)境研究其聚類情況，以此來(lái)獲得惡意樣本模擬運(yùn)行的行為分析報(bào)告；在特征提取上為了全面覆蓋惡意代碼的主要行為，結(jié)合了動(dòng)態(tài)行為特征和內(nèi)存特征；之后利用t-SNE機(jī)器學(xué)習(xí)算法來(lái)對(duì)特征屬性實(shí)現(xiàn)非線性降維；最后對(duì)傳統(tǒng)的DBSCAN算法進(jìn)行改進(jìn)，將改進(jìn)后的算法HDBSCAN結(jié)合惡意代碼的行為特征來(lái)完成惡意代碼的聚類。實(shí)驗(yàn)結(jié)果表明，相比于經(jīng)典聚類算法，改進(jìn)后的聚類算法提高了聚類質(zhì)量，獲得了更好的聚類效果，因此具有較高的可行性。

發(fā)表于：2019/2/28 1:29:00

智能變電站3/2接線的數(shù)字電能校準(zhǔn)裝置設(shè)計(jì)[電源技術(shù)][智能電網(wǎng)]

在智能變電站采用3/2接線時(shí)，位于多個(gè)間隔的電子式互感器的電壓、電流采樣值通常經(jīng)過(guò)合并單元級(jí)聯(lián)或組網(wǎng)傳輸至數(shù)字化電能表，電壓電流采樣時(shí)間的同步性將影響到電能計(jì)量的準(zhǔn)確性。因此，跨間隔采樣值的同步性是一個(gè)關(guān)鍵問(wèn)題。設(shè)計(jì)了一種適用于3/2接線的數(shù)字電能校準(zhǔn)裝置，采用多個(gè)光纖端口同時(shí)接收來(lái)自母線PT及其合并單元、各間隔CT及其合并單元組成的采樣值傳輸系統(tǒng)中的IEC61850-9-2報(bào)文，運(yùn)用數(shù)字報(bào)文攜帶的信息和傅里葉變換補(bǔ)償方法解決同步性引起的功角偏差。測(cè)試數(shù)據(jù)表明，經(jīng)過(guò)補(bǔ)償，裝置解決了同步性帶來(lái)的功角偏移問(wèn)題，能夠?qū)崿F(xiàn)對(duì)3/2接線方式下電能的準(zhǔn)確計(jì)量。

發(fā)表于：2019/2/27 14:12:00

基于最小二乘法與霍夫變換的虹膜定位算法[嵌入式技術(shù)][信息安全]

為解決定位虹膜內(nèi)外邊緣時(shí)因輪廓信息不足會(huì)出現(xiàn)的定位不準(zhǔn)確或者失敗問(wèn)題，提出一種采用霍夫變換與最小二乘法相結(jié)合的定位算法。首先使用形態(tài)學(xué)開(kāi)操作減少圖像中孤立的小點(diǎn)，并利用自適應(yīng)閾值算法二值化圖像；然后使用形態(tài)學(xué)閉操作補(bǔ)充小縫隙平滑圖像邊緣，再利用Canny算法提取圖像邊緣信息；最后根據(jù)內(nèi)邊緣與外邊緣的差異性分別使用霍夫變換和最小二乘法定位虹膜內(nèi)外邊緣。經(jīng)實(shí)驗(yàn)對(duì)比分析，該方法與傳統(tǒng)算法相比，能更快速、準(zhǔn)確地定位虹膜。

發(fā)表于：2019/2/27 13:59:00

非下采樣圖濾波器組的設(shè)計(jì)方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)圖濾波器組中難以準(zhǔn)確定義一般圖信號(hào)下采樣運(yùn)算的問(wèn)題，提出了非下采樣圖濾波器組的設(shè)計(jì)方法。首先，采用樣條濾波器作為分析濾波器組。然后，通過(guò)兩種不同的方法設(shè)計(jì)綜合濾波器組，其中，算法一利用頂點(diǎn)域的完全重構(gòu)條件，構(gòu)造出綜合濾波器組；算法二從子帶濾波器的頻譜特性考慮，采用帶約束優(yōu)化算法設(shè)計(jì)綜合濾波器組。兩種方法可設(shè)計(jì)得到完全重構(gòu)的兩通道非下采樣圖濾波器組。最后，在兩通道非下采樣圖濾波器組的基礎(chǔ)上，采用級(jí)聯(lián)的方式構(gòu)造出具有多分辨分析特性的多通道非下采樣圖濾波器組。仿真結(jié)果表明，所提出的非下采樣圖濾波器組具備完全重構(gòu)特性。并且，與已有的圖濾波器組相比，設(shè)計(jì)所得的多通道非下采樣圖濾波器組具有更好的去噪性能。

發(fā)表于：2019/2/26 9:53:00

一款基于軟光刻技術(shù)的液態(tài)金屬天線[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

提出一種新型的頻率可重構(gòu)的微帶貼片天線，以液態(tài)金屬合金和高度可拉伸的彈性體分別作為輻射貼片和介質(zhì)基板。液態(tài)金屬使用的是由質(zhì)量比為75% 的鎵和25% 的銦組成的共晶鎵銦合金（EGaIn），彈性體為聚二甲基硅氧烷（PDMS），通過(guò)實(shí)驗(yàn)測(cè)量了PDMS在3種配比下的拉伸量，當(dāng)質(zhì)量比為10:1時(shí)，PDMS的粘性較低，拉伸性較好。采用軟光刻技術(shù)制備天線的PDMS模型，然后進(jìn)行表面處理，使其能夠更好地封裝，最后將EGaIn包裹在PDMS中形成天線。在PDMS的拉伸極限內(nèi)，通過(guò)對(duì)微帶天線進(jìn)行軸向拉伸，隨著長(zhǎng)度的增加，諧振頻率逐漸降低，在4~6 GHz范圍內(nèi)實(shí)現(xiàn)了頻率可重構(gòu)。

發(fā)表于：2019/2/26 9:36:00

一種快速高效的太赫茲無(wú)線個(gè)域網(wǎng)定向MAC協(xié)議[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

太赫茲無(wú)線個(gè)域網(wǎng)是一種新型的無(wú)需基礎(chǔ)設(shè)施的中心式網(wǎng)絡(luò)，支持10 Gb/s～1 Tb/s的數(shù)據(jù)傳輸速率，具有廣泛的應(yīng)用前景。針對(duì)現(xiàn)有太赫茲無(wú)線個(gè)域網(wǎng)MAC協(xié)議和高效的太赫茲無(wú)線個(gè)域網(wǎng)定向MAC協(xié)議ED-MAC(Efficient Directional MAC protocol)存在節(jié)點(diǎn)間波束賦形訓(xùn)練開(kāi)銷(xiāo)大、耗時(shí)長(zhǎng)的問(wèn)題，對(duì)無(wú)線個(gè)域網(wǎng)內(nèi)設(shè)備處于靜止?fàn)顟B(tài)下的場(chǎng)景，提出一種快速高效的太赫茲無(wú)線個(gè)域網(wǎng)定向MAC協(xié)議FE-MAC(Fast and Efficient MAC protocol)。通過(guò)仿真驗(yàn)證，將提出的FE-MAC協(xié)議與基于802.15.3c的太赫茲MAC協(xié)議和ED-MAC協(xié)議進(jìn)行性能對(duì)比，能夠有效降低節(jié)點(diǎn)間數(shù)據(jù)發(fā)送時(shí)延，提高網(wǎng)絡(luò)吞吐量。

發(fā)表于：2019/2/25 14:05:00

5G超密集組網(wǎng)的多點(diǎn)協(xié)作傳輸和功率分配策略[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

5G超密集組網(wǎng)(UDN)允許在異構(gòu)網(wǎng)絡(luò)中部署大量高密度的低功率傳輸節(jié)點(diǎn)(TP)，在提高系統(tǒng)性能的同時(shí)也引入了小小區(qū)間的同頻干擾(ICI)問(wèn)題。為了解決這一問(wèn)題，多點(diǎn)協(xié)作傳輸(CoMP)在UDN中得到了廣泛的使用。但它也帶來(lái)了新的挑戰(zhàn)，如何有效地進(jìn)行網(wǎng)絡(luò)資源的分配就是其中之一。為了提高小小區(qū)邊緣用戶的速率和系統(tǒng)總和率，提出了一種基于小區(qū)負(fù)載感知的CoMP(CLA-CoMP)方案。針對(duì)UDN中的功率分配問(wèn)題，采用了基于用戶關(guān)聯(lián)的后驗(yàn)概率功率分配(P2UPA)策略，它旨在為高關(guān)聯(lián)概率的用戶分配更高的功率。仿真結(jié)果表明，同使用平均功率分配的UDN系統(tǒng)相比，采用CLA-CoMP和P2UPA的系統(tǒng)性能增益有了明顯的提高。

發(fā)表于：2019/2/25 13:52:00

脈搏波信號(hào)的提取與雙域分析[模擬設(shè)計(jì)][醫(yī)療電子]

通過(guò)深度解析壓力式和光電式傳感器檢測(cè)脈搏波的原理，探索壓力式傳感器最佳的取脈壓，最終實(shí)現(xiàn)對(duì)所測(cè)得的脈搏在時(shí)域和頻域內(nèi)分解。對(duì)20位志愿者進(jìn)行脈搏波測(cè)量，利用壓電薄膜傳感器測(cè)量最佳取脈壓并與身體質(zhì)量指數(shù)（BMI）進(jìn)行三階多項(xiàng)式擬合標(biāo)定，在時(shí)域和頻域?qū)γ}搏波分別進(jìn)行小波和傅里葉變換。測(cè)試結(jié)果表明，光電式脈搏波存在淹沒(méi)特征點(diǎn)的弊端，壓力式傳感器能清楚地觀察到特征點(diǎn)，但由于取脈壓的問(wèn)題導(dǎo)致波形有同體差異性。通過(guò)對(duì)個(gè)體施加最佳取脈壓，壓力式傳感器能以高信噪比來(lái)檢測(cè)脈搏波。時(shí)頻雙域分析可有效提取波形特征點(diǎn)，為連續(xù)血液測(cè)量提供了良好的數(shù)據(jù)源。

發(fā)表于：2019/2/22 14:20:00