纸张性能对喷墨印刷品光泽度的影响

本文采用EPSON Stylus C88＋喷墨打印系统,对5种不同性能的纸张进行印刷品光泽度研究。结果发现：成纸性能、纸张涂层结构以及油墨在纸张上的转移过程对喷墨印刷品光泽度均有较大影响,如喷墨墨水中溶剂在纸张表面渗透过多,颜料颗粒浮于印刷品表面形成漫反射,导致印刷品光泽度降低。本文根据实验给出纸张性能对印刷品光泽度的影响权重,按相关系数从大到小排列为：光泽度、定量、粗糙度、表面润湿性能。纸张光泽度、定量与印刷品光泽度正相关,纸张粗糙度、表面润湿性能与印刷品光泽度负相关,且纸张光泽度与印刷品光泽度高度相关。因此,要得到光泽度高的喷墨印刷品,必须根据纸张性能对印刷品光泽度的影响权重选择适合的纸张。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上，针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题，提出了一种新型的粒子群优化(PSO)算法与后向传播（BP）神经网络相结合的算法。BP网络算法权值的修正依赖于非线性梯度值，易形成局部极值，同时学习次数较多，需先通过粒子群算法进行优化。为了提高定位精度，首先采用速度常量法滤波处理，然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化，并分析算法的性能。试验中隐层节点个数采用试错法，从12到19变化，以确定合适数目。实验结果表明，与一般加权算法和传统BP算法相比，改进的混合优化算法可大幅改善测距误差对定位误差的影响，同时可使25 m内最小定位误差小于0.27m     

基于像素失真耦合边缘特征融合的无参考质量评价

为了适应多种类型的模糊图像进行质量评价，提高评价模型对图像模糊和振铃的洞察能力，提出了一种像素失真与边缘特征融合的无参考质量评价算法。首先，根据像素失真理论，计算图像像素的标准差和绝对差分值，提取图像的像素特征；然后，计算图像水平和垂直方向的过零率，并利用边缘保持滤波器对图像边缘信息进行测量，精确提取图像的边缘特征；最后，利用提取的像素特征和边缘特征，定义特征融合函数，并引入粒子群优化（PSO）对融合函数参数进行优化，提高对图像模糊和振铃的洞察能力，根据融合特征构建图像质量评价模型。与当前无参考质量评价算法比较，所提算法能够有效地对JPEG（Joint Photographic Experts Group）、JPEG2000（Joint Photographic Experts Group 2000）、模糊等失真图像进行质量评价，评价指标CC（Correlation Coefficient）与SROCC（Spearman Rank-order Correlation Coefficient）达0.947 7和0.915 3。该算法与主观评价方法具有较好的一致性，能够较好地适用于多种类型的失真图像评价。     

寡头竞争市场下共同配送定价方法研究

共同配送采用多个企业联合组织起来实施配送活动的方式，其优势越来越受到重视，关于共同配送的理论研究也越来越多，但是对于定价问题还一直是个难题。在前人研究的基础上，引入共同配送服务质量因素，建立寡头竞争市场下共同配送定价模型，并设计粒子群算法，采用帕累托改进方法和总收益最大解方法对模型进行具体求解，得到相关的结论，最后验证了模型和算法的有效性。     

一种简化的拟蒙特卡洛-高斯粒子滤波算法

提出了一种简化的拟蒙特卡洛-高斯粒子滤波（QMC-GPF）算法（SQMC-GPF）,以解决将QMC方法应用于GPF时计算复杂度高、运算量大的问题。该算法中，在连续的迭代滤波过程开始之前，首先利用QMC采样产生单位拟高斯分布粒子集，然后用其线性变换产生GPF算法中需要的高斯分布粒子集，省去了重新进行QMC采样步骤。该算法简化了新粒子集的产生过程，减少了运算量和滤波时间，增强了算法的实时性。将粒子滤波算法（PF）、GPF 算法、QMC-GPF算法和SQMC-GPF算法用于单变量非静态增长模型（UNGM）和二维纯角度跟踪模型（BOT）的仿真结果表明，SQMC-GPF算法的滤波性能与QMC-GPF算法的滤波性能相近，但有更为明显的速度优势，具有重要的实际应用价值。     

基于Adaboost-DPSO-SVM模型的供应链金融信用风险评价研究

数字化赋能供应链金融创新是推动我国产业链、供应链持续稳定优化升级的重要内容,在全球金融风险急剧增加的背景下,供应链金融与大数据、区块链、物联网、人工智能等技术相融合,成为解决我国中小企业融资授信问题的有效方式之一。本文在对供应链金融信用风险评价指标进行特征选择的基础上,采用一种动态变异的粒子群算法(DPSO)和AdaBoost算法对SVM进行协同优化和集成,建立了Adaboost-DPSO-SVM模型,并将该模型应用于我国新能源汽车行业供应链金融信用风险评价中,实验结果表明所建立的模型相对其他评价模型具有更好的分类识别性能。     

粒子群算法和灰狼算法的融合

为了解决传统粒子群算法(PSO)容易“早熟”、陷入局部最优以及灰狼算法(GWO)收敛速度慢的问题。首先，采用GWO算法的个体极值更新策略来实现个体包围式向最优值趋近，融入PSO算法的速度更新策略来实现群体向最优值的趋近，并且在原始粒子群算法基础上加入线性惯性权重递减来提高算法的收敛速度，从而提出了一种基于灰狼算法和改进的粒子群算法(IPSO)的融合优化算法(GW-IPSO);其次，通过6个经典算例进行仿真试验，将融合算法与PSO算法、IPSD算法、灰狼和粒子群结合算法(GW-PSO)进行对比；最后，应用融合算法对二级直线倒立摆的控制器设计进行参数寻优。结果表明：针对6个标准测试函数，混合算法的30次试验结果平均值更接近最优值，且标准差几乎都是最小的；应用在倒立摆控制问题上，系统在5 s左右进入稳定状态。融合后的GW-IPSO算法能够在一定程度上避免早熟和陷入局部极值的问题发生，并且能够很好地应用于控制器设计过程中参数寻优问题。     

基于优化AC-BiLSTM模型的机场终端区流量预测

将深度学习用于机场终端区流量预测研究。神经网络具有复杂的网络拓扑结构和较多的超参数，这使得超参数的选择很困难。以往神经网络模型的超参数通常是根据经验来调整的，因此，为了解决超参数搜索问题，引入粒子群算法(PSO)。针对基本粒子群算法(Basic PSO,BPSO)的缺点和不足，提出一种基于自适应惯性权重的混沌粒子群优化（AWCPSO）算法，该算法在基本PSO的基础上进行了改进和优化。具体方法是，使用一种新的动态自适应惯性权重在全局寻优和局部寻优之间取得平衡；进而将混沌思想和粒子群算法相结合，解决粒子群算法易陷入局部最优的问题。实验表明，AWCPSO算法用于AC-BiLSTM模型的超参数寻优时，既解决了BPSO算法的早熟收敛问题，又提高了流量预测的精度。     

Unravelling the JPMorgan spoofing case using particle physics visualization methods

On 29 September 2020, JPMorgan was ordered to pay a settlement of $920.2 million for spoofing the metals and Treasury futures markets from 2008 to 2016. We examine these cases using a visualization method developed in particle physics (CERN) and the messages that the exchange receives about market activity rather than time-based snapshots. This approach allows to examine multiple indicators related to market manipulation and complement existing research methods, thereby enhancing the identification and understanding of, as well as the motivation for, market manipulation. In the JPMorgan cases, we offer an alternative motivation for spoofing than moving the price.     

采用FFT-PSO策略的多约束稀疏阵天线方向图综合

采用稀疏布阵的相控阵测控天线，阵元等幅激励时的阵列峰值副瓣电平无法满足指标要求。在考虑天线增益、半功率波束宽度等指标约束时设计了合适的适应度函数，并基于粒子群算法(PSO)对阵元激励幅度进行优化以降低天线副瓣电平。同时，分析了等间距栅格平面阵列天线方向图与离散傅里叶变换的关系，采用快速傅里叶变换(FFT) 降低了阵列方向图计算复杂度。仿真结果表明，该方法可有效降低峰值副瓣电平和计算复杂度。