精确估计多层材料超声回波信号的重数在超声检测上有着要意义。将小波变换方法用于多层材料超声回波参数估计中,根据高斯模型以超声回波信号的小波变换为基础、利用智能人工蜂群算法,估计出多重超声回波信号的各个参数。采用Akaike Info...精确估计多层材料超声回波信号的重数在超声检测上有着要意义。将小波变换方法用于多层材料超声回波参数估计中,根据高斯模型以超声回波信号的小波变换为基础、利用智能人工蜂群算法,估计出多重超声回波信号的各个参数。采用Akaike Information Criterion(AIC)准则,对叠加的两重和三重超声回波信号的重数进行估计。仿真结果表明,本算法可以实现多重超声回波信号重数的有效估计。用实验测试获得的回波对算法的性能进行了验证,结果证明了该算法的可行性和实用性。展开更多
目前的群智能疏散模型多仅考虑单一的经典的群体智能,不足以描述复杂的群体疏散行为特征,且鲜有考虑人群混乱程度对人群疏散的影响。为研究描述多种群体疏散行为的群智能疏散模型,综合使用多种群智能算法,并考虑了人群混乱程度对疏散的...目前的群智能疏散模型多仅考虑单一的经典的群体智能,不足以描述复杂的群体疏散行为特征,且鲜有考虑人群混乱程度对人群疏散的影响。为研究描述多种群体疏散行为的群智能疏散模型,综合使用多种群智能算法,并考虑了人群混乱程度对疏散的影响,构建了熵修正的混合人工蜂群-蝙蝠算法人群疏散模型。首先,采用DBSCAN(density-based spatial clustering of applications with noise)算法进行群组划分。然后,将人群分为群组引导者、群组成员和离散人员3类,并针对每类人群的特点,基于蝙蝠算法描述群组引导者,基于人工蜂群算法描述群组成员,基于粒子群算法描述离散人员。最后,引入定量描述人群混乱程度的疏散熵对群组引导者进行位置修正,构建了熵修正的混合人工蜂群-蝙蝠算法人群疏散模型。仿真结果表明,该模型可以模拟群组疏散,比较符合真实的群组疏散形状,以群组形式疏散一定程度提高了疏散效率;同时,引入疏散熵进行修正后,群组引导者可以引导群组成员避开前方混乱区域,避免了人群过度集中,增强了疏散的安全性与快速性。展开更多
文摘精确估计多层材料超声回波信号的重数在超声检测上有着要意义。将小波变换方法用于多层材料超声回波参数估计中,根据高斯模型以超声回波信号的小波变换为基础、利用智能人工蜂群算法,估计出多重超声回波信号的各个参数。采用Akaike Information Criterion(AIC)准则,对叠加的两重和三重超声回波信号的重数进行估计。仿真结果表明,本算法可以实现多重超声回波信号重数的有效估计。用实验测试获得的回波对算法的性能进行了验证,结果证明了该算法的可行性和实用性。
文摘目前的群智能疏散模型多仅考虑单一的经典的群体智能,不足以描述复杂的群体疏散行为特征,且鲜有考虑人群混乱程度对人群疏散的影响。为研究描述多种群体疏散行为的群智能疏散模型,综合使用多种群智能算法,并考虑了人群混乱程度对疏散的影响,构建了熵修正的混合人工蜂群-蝙蝠算法人群疏散模型。首先,采用DBSCAN(density-based spatial clustering of applications with noise)算法进行群组划分。然后,将人群分为群组引导者、群组成员和离散人员3类,并针对每类人群的特点,基于蝙蝠算法描述群组引导者,基于人工蜂群算法描述群组成员,基于粒子群算法描述离散人员。最后,引入定量描述人群混乱程度的疏散熵对群组引导者进行位置修正,构建了熵修正的混合人工蜂群-蝙蝠算法人群疏散模型。仿真结果表明,该模型可以模拟群组疏散,比较符合真实的群组疏散形状,以群组形式疏散一定程度提高了疏散效率;同时,引入疏散熵进行修正后,群组引导者可以引导群组成员避开前方混乱区域,避免了人群过度集中,增强了疏散的安全性与快速性。
