针对英语在线考试系统的主观题评分本身具有的复杂性, 引入单词表达式的词向量模型globalvector(GloVe)与卷积神经网络(CNN)构建文本表达式特征, 提出了基于GloVe-CNN 算法的主观题自动评阅模型, 以实现英语在线考试系统主观题自动评分。通过平方加权Kappa 评价指标, 与人工阅卷分数差对比发现, 该模型在评分的一致性、 准确性等指标上要优于卷积神经网络、 KNN 模型等传统的模型, 整体性能较好, 可进一步减轻教师的教学负担。

In order to better study the robot path planning problem , the path planning algorithm is summarized. Firstly , this paper gives a brief overview of the meaning of path planning—planning a collision free optimal path from the starting point to the target point in the specified area; secondly , according to the characteristics of path planning algorithm ,  it  describes  the  traditional  algorithm  path  planning and intelligent  bionic algorithm path planning , and introduces the principle , characteristics and development status of the algorithm including the op- timization and improvement of the common problems such as slow convergence speed and easy to fall into local optimal solution ; finally , on the basis of the existing research , the improvement direction and development trend of robot path planning algorithm in the future are prospected from three aspects.

针对非视距环境下的超宽带节点定位中问题, 为提高超宽带(UWB)定位精度, 对基于最小二乘法的超宽带节点定位算法进行了改进。首先对超宽带测距方法进行了分析, 重点对选择的基于接收信号到达时间的双边双向测距方法进行了研究; 在此基础上, 对超宽带节点定位原理进行了介绍, 对选定的最小二乘法定位算法进行分析; 最后, 通过Matlab 对非视距环境下的定位进行仿真验证。仿真结果表明, 与泰勒级数定位算法、 三边质心定位算法相比, 最小二乘法定位算法具有较高的定位精度和鲁棒性。

针对传统K-means 算法初始中心选取的随机性导致算法聚类效果不佳的问题, 提出一种基于网格密度距离的K-means 算法, 即GDD-K-means。该算法先把数据点放入网格空间内, 以网格为单元进行数据处理, 遍历网格得到网格密度, 根据密度阈值筛选出高密度网格并进行降序排序; 再在高密度网格中引入K-means++思想, 选取k 个距离较远的网格点; 最后进行K-means 算法聚类的k 个初始中心点将确定在上述网格点中。仿真实验结果表明, GDD-K-means 算法减少了聚类中心选取的随机性, 改善了聚类的效果。

为提升聚类算法的聚类效果, 采用仿生优化算法与k 均值聚类算法相结合(BFOA-K)实现数据聚类。在聚类过程中, 为解决k 均值对于初始质心敏感以及容易陷入局部最优的问题, 使用果蝇优化算法确定k 均值聚类算法的质心, 再使用k 均值聚类算法进行数据聚类。针对果蝇优化算法对于飞行步长的影响, 采用F分布动态改变步长, 提升算法全局搜索能力。同时采用精英保留策略, 提升果蝇种群的多样性, 扩大了搜索范围和提升了搜索效率。利用4 个UCI 标准数据集对算法进行仿真实验, 结果表明, 本文提出的BFOA-K 算法在各项聚类评估指标中都优于其余对比算法, 提升了算法的收敛性, 证明了算法的有效性和可行性。

为了提高图像对比度, 解决传统的直方图均衡算法处理速度慢的问题, 提出了基于统一计算设备架构(CUDA)的直方图均衡图像实时处理加速方案。利用图形处理器(GPU)强大的计算能力和CUDA 优化的存储器结构, 以加速直方图均衡中的图像灰度级投票、 分布概率累加并映射以及图像新的灰度值填充等功能进行运算。在CUDA 条件下, 对直方图均衡算法进行串-并行分析, 分别从粗粒度与细粒度角度进行并行设计, 通过实验测定进行了设计参数寻优, 获得了线程块设计参数的最优尺寸。结果表明, 基于CUDA的图像直方图均衡并行算法的性能相比基于CPU 的串行算法和基于开放多处理(OpenMP)并行算法分别获得了61. 58 和32. 00 倍的加速比, 能够为大规模实时性图像处理系统设计提供参考。

城市轨道交通客流预测是线路规划和运营组织的基础, 为提高客流预测的准确度, 提出了基于云遗传算法优化BP神经网络的轨道客流预测模型。首先利用云模型云滴的随机性和稳定倾向性改进传统遗传算法中固定设置交叉和变异率的方式, 克服了标准遗传算法搜索速度慢及容易早熟的缺陷; 再通过改进后的遗 传算法来优化 BP 神经网络的初始权值和阈值; 最后结合重庆轨道交通3号线的客流数据进行实例分析, 结果表明, 基于云遗传算法优化的BP神经网络比传统BP神经网络的预测精度提升了5.95%, 达到了97.84%。

针对短时交通流量预测模型受噪声数据影响预测误差较大的问题, 提出了一种改进的长短期记忆网络(long short-term memory, LSTM)的短时交通流量预测模型———MVF-LSTM 模型, 该模型使用算术平均滤波MVF对LSTM 模型的输入层进行改进, 从而增加LSTM 隐藏层输入的维度, 利用平均相对误差对模型的迭代次数、时间步长和隐藏层神经元的个数进行调整, 提高了模型的预测精度。实验结果表明: 改进的模型平均相对误差降至5%,具有良好的泛化能力,可以更好地反映交通流量的变化特征。

电子产品涉及的配件较多, 每种配件均有多种品牌与型号, 给CTO 订单的确定带来较大的困难。针对上述问题, 以功能定位目标贴近度为优化目标, 加工成本和产品功耗为约束条件, 建立了一种电子产品CTO 订单推荐(CTO order recommendation, CTOR)模型, 并提出一种改进的遗传算法来求解该模型。仿真结果验证了改进算法的有效性: 自适应遗传算子提高了算法的收敛精度和速度, 而种群的多样性维护策略在一定程度上降低了算法陷入局部最优的可能性。

为了使 ＰＩＤ参数自适应调整，同时使得系统输出响应具有较好的动态和稳态性能，并在干扰作用下可自动整定 ＰＩＤ参数，使系统输出稳定在目标值，采用智能算法结合 ＰＩＤ控制原理，设计了一种 ＣＡＳ算法与 ＰＩＤ控制相结合的控制器用于塑料挤出机温度控制。借助 Ｍａｔｌａｂ软件建立控制器仿真模型，同时和增量 ＰＩD控制器进行控制效果对比。实验结果表明：在干扰作用下，ＣＡＳＰＩＤ参数自适应调整，通过修改 ＰＩＤ参数使得系统输出稳定在目标值；采用 ＣＡＳＰＩＤ控制器的温度控制系统鲁棒性强，将 ＣＡＳＰＩＤ控制器应用于塑料挤出机温度控制，可以在一定程度上提升挤出半成品质量和挤出机械的智能化水平。

物联网底层接入海量的数据节点，这些节点具有大小不一的能力，所处的外部环境也不一致，使节点产生和传输的大量的数据信息带有很多不确定性。为解决这一问题，提出在物联网节点加权的基础上用Ｄ-Ｓ证据理论对数据进行融合，并且根据证据的冲突性大小对权重作一个调整，减少数据传输量，使融合的结果更贴近实际情况，保证用户在收到融合数据后作出正确的判断处理。