基于LIN总线车灯控制系统的研制

于Local Interconnect Network(LIN)汽车总线技术, 在DP-51H单片机数据通信综合仿真实验仪上提供一个实现LIN-bus通讯网络软硬件调试/ 仿真的环境, 综合考虑汽车在特殊环境下的工作性能, 研制了基于LIN协议的汽车车灯控制 系统. 该系统根据LIN协议开发设计了智能化主节点和从节点, 完成了主从节点的硬件选型 和电路设计以及软件分析和程序实现. 在车灯系统的设计中, 节点间的LIN通讯完全符合LIN 1.2规范协议, 该协议基于通用的UART/SCI硬件接口, 采用ISO9141单线传输标准, 采取单 主多从的总线型拓扑结构并提供方便的用户应用编程接口.     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

视频流中的自适应阈值模板匹配车辆检测算法

在传统帧差法的基础上, 通过对帧差法得到的感兴趣区域进行阈值处理, 得到用白色代表前景、 黑色代表背景的黑白二值图像, 并设计了自适应阈值模板匹配车辆检测算法从黑白二值图像中定位出运动车辆. 实验结果表明, 该算法简单, 容易实现, 能准确定位车辆.     

嵌入式系统有限资源下的代码移植和优化

给出一种基于ADI Blackfin系列数字信号处理器的人像考勤系统设计方案. 在此基础上, 归纳了嵌入式有限资源限制下人像识别算法的实现策略,解决了算法移植过程中从C++到C的转换问题, 并提出了通过修改连接描述文件重新配置存储资源的方法, 从而缓解了大数据量与芯片上有限存储资源之间的矛盾. 测试结果表明, 移植后人像识别算法的运行结果和速度都满足使用要求.     

粗糙集模糊神经网络味觉信号识别系统

针对C-means聚类算法和减法聚类算法的不足,提出了一种模糊神经网络味觉信号识别系统模型,该模型利用粗糙集的离散化算法和规则提取算法获得数量较少的分类规则,将这些分类规则转化为模糊IF-THEN规则,进而通过这些模糊IF-THEN规则确定网络结构.网络输出采用投票机制,使用粒子群优化方法精炼网络参数,与常用的提取模糊if-then规则的算法相比,该方法只有一个参数且易于实现.实验结果表明:该方法可获得更简洁的系统表示,并且通过选择合适的系统参数可使系统对加噪声训练样本的错误识别率降低5%左右.     

基于改进的2DPCA对近红外人脸图像的识别方法

基于二维主成分分析（two dimensional principal component analysis, 2DPCA）算法与近红外人脸识别方法, 提出一种双向2DPCA算法和双向对称2DPCA
算法, 得到了识别率更高的人脸识别方法, 解决了环境光照对人脸识别的影响.     

频繁序列模式挖掘算法

为解决从数据库中挖掘长模式和支持度较低时可能遇到计算复杂度较高的问题,提出一种新的算法--EFSPAN(Effective Frequent Sequential PAtterN mining algorithm).算法采用了深度优先挖掘策略,并将基于前缀序列格的深度优先遍历与两种高效的剪枝策略相结合.实验结果表明:新算法在模式较长和支持度较低时,能使搜索空间中60%以上的节点免被搜索;从而大大缩小了搜索空间,降低了序列模式挖掘算法的计算复杂度.     

人脸识别算法在监狱通道管理中的应用

针对监狱通道管理的特点, 将人脸肤色模型、 模板匹 配及主分量分析等图像处理和统计学习经典算法有效地结合, 开发了实时有效的人脸识别算法模块. 测试结果及分析表明, 该模块在特定应用中对于人脸定位与验证有一定的优越性.     

一种共调控基因聚类的新方法

定义了一种基于滑动匹配的相似度, 并在此基础上提出一种能够自适应确定聚类数目的全局K-均值算法, 解决了现有共调控基因聚类方法无法考虑到基因的正反、 延时、 部分时间和差异表达全部4种共调控关系的问题. 将提出的算法应用于微阵列数据中, 并将实验结果与CLUSTER 3.0算法进行了比较, 验证了算法的可行性和有效性.     

快速频繁序列模式挖掘算法

为解决从数据库中挖掘长模式可能遇到较高的计算复杂度问题, 提出一种新的算法FFSPAN. 传统上, 要判断一个序列是否频繁, 需要在原数据库中判断整个序列是否频繁; 而算法FFSPAN是通过在序列数据库中寻找一个频繁项或一个频繁项集来代替寻找一个完整的频繁序列, 而且FFSPAN算法每次扫描的数据库都是迅速减小的, 这使得算法在挖掘的序列模式越长时越有效. 在标准测试数据集上的实验结果表明, FFSPAN算法非常有效.