基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

频率选择性衰落信道中的RAKE合并接收方案

针对非扩频系统很难实现多径分集接收的问题,通过判决反馈IIR(DF-IIR)均衡器得到对发送数据的估计,并根据该初始估计重构所有多径信号,再将接收信号中的主径和各多径分量区分开,最后将各分量按照最大比的方式合并以及解调判决,从而实现RAKE合并接收。DF-IIR均衡器可以完全消除噪声累积的现象,然而判决反馈同时会产生误差传播的问题,多径合并可以显著提高信噪比,从而抑制误差传播问题。仿真结果表明新算法可以取得明显的效果。     

基于粒子群算法与改进Ziegler-Nichols算法的PID整定方法

针对Ziegler-Nichols算法设计的PID控制器阶跃响应不理想,不具有灵活性等缺点,提出基于粒子群算法与改进 Ziegler-Nichols算法的PID整定方法。采用粒子群算法优化了Ziegler-Nichols算法中的幅值和相角,设计了具有更好性能 指标的PID控制器。实验结果表明采用该方法进行参数整定后的PID控制器响应速度较快,降低了系统的超调量。     

基于粒子群算法的设备大修企业模糊作业车间调度

针对大修企业中调度生产系统中存在的各种不确定因素,通过引入三元组对设备大修企业调度问题进行分析描述,以交货期加权满意度最大为调度目标建立作业车间模糊调度模型。运用粒子群优化算法对模型进行求解,结合企业应用实际进行实例分析,验证了该算法的有效性。     

基于支持向量机的养老保障满意度 非线性模型

目前对养老保障满意度的研究所采用的统计方法,都是基于养老保障满意度与影响因素之间的线性关系,且未对所建模型进行检验及理论预测。由于事物之间关系复杂,变量之间往往呈现非线性关系。采用支持向量机算法结合粒子群优化算法,建立养老保障满意度非线性模型。用于研究的养老保障满意度样本数为8 339份。结果显示,基于支持向量机的分类模型对养老保障满意度预测精度高于76%,预测性能优于二元逻辑回归预测结果。表明养老保障满意度与受教育程度、受教育满意度、家庭经济状况满意度、总体生活满意度、对社会总体评价等5个影响因素之间存在非线性关系。因此,应用支持向量机算法建立养老保障满意度非线性模型是可行的。     

基于PI+重复控制的三相四桥臂有源电力滤波器的研究

针对三相四线制低压配电系统存在的谐波问题,将三相四桥臂有源滤波器作为研究对象。在谐波电流检测和电压环控制方法已知的基础上,主要对电流环的控制算法进行研究,针对电流环控制选用传统PI控制方式时,动态响应速度较快,但存在稳态精度不高的缺点。而电流环控制选用重复控制时,动态响应速度不高,但存在稳态精度较高的优势。因此,为了弥补各自控制的不足,决定将PI控制与重复控制并联使用,并通过Matlab搭建了仿真模型。对比不同控制方式的仿真,结果表明:基于PI和重复控制并联的控制方式,既可以通过重复控制改善补偿精度,又可以用PI控制加快响应速度,验证了该方案的可行性。     

基于改进粒子群的云计算任务调度方法

为了实现对云计算任务进行动态实时调度,提出了一种基于改进离散粒子群算法的云计算任务调度方法.依据云计算任务调度数学模型的相关理论,提出了一种基于改进粒子群算法的云计算任务调度方法,对粒子更新方式、初始化方法以及权重因子更新方法等进行了改进,并对整体算法进行了描述.在CloudSim环境下运用改进的模型方法进行仿真实验,并与另外三种方法进行比较,结果表明该方法不仅所需总费用最少,而且收敛速度最快、用户满意度较高.     

基于粒子群优化算法的应急资源调度研究

科学合理地开展应急资源调度,最大限度地发挥有限的应急资源的价值,是应急管理中的一项重要工作.文章构建了多种应急资源需求约束、应急时间约束、应急救援成本约束等多约束条件下的突发事件应急资源调度模型,并运用粒子群优化算法对模型进行求解,从而实现应急救援资源的高效利用与合理调度.     

改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

基于中国股票高频交易数据的随机波动建模与应用

本文对近十五年多达17万笔高频交易数据研究发现,早晨9:30股市开盘期间收益回报显著为负值,而在下午3:00收盘前的5分钟集合竞价阶段的收益回报显著为正值,称这种现象为“首尾5分钟现象”.并且日内收益数据具有较为显著的季节效应或周期效应,本文首次提出利用具有季节效应的SVJt-s模型对上证综合指数的5分钟高频交易数据进行建模,并给出模型的两步估计方法.由于高频随机波动建模时的数据量巨大、计算负荷严重,模型的估计、评价以及预测评价方法都需进行相应的改进,本文主要通过APF方法计算边际似然和BF进行模型比较,并从模型的预测能力发现本文给出的具有季节效应的SVJt-s模型,优于通常的GARCH模型和基本随机波动模型,最后给出了模型在风险管理中的应用.