针对轻量型卷积神经网络（LCNN）的精确度和复杂度均衡优化问题，提出基于快速非支配排序遗传算法（NSGA-Ⅱ）的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先，将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标，进行双目标函数建模及理论分析；然后，设计基于NSGA-Ⅱ的LCNN结构优化框架，并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层，构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示，与手工设计的网络结构M_blockNet_v1相比，NSGA2-AMFFNetwork的平均精确度提升了1.220 2个百分点，运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度，同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。
在采用模型驱动的开发(MDD)方法对复杂实时系统进行建模设计时,单层的建模方法难以完成对控制系统的清晰和完整描述。针对上述问题提出了一种分层递阶机制的实时多层建模方法,该方法使用可扩展输入端口和输出端口对现有元模型技术进行扩展,采用可扩展标记语言(XML)实现端口的描述,利用基于信道的端口消息传递机制完成不同层模型之间通信。实际实时控制系统建模结果表明,与单层模型相比,分层递阶的建模方法能够有效实现模型驱动设计方法在实时领域内对并行多任务和复杂交互行为的描述,从而提高实时领域模型的可读性和可复用性。
在基于火焰图像识别的转炉吹炼状态识别过程中,针对已有方法存在火焰彩色纹理信息利用不充分和状态识别率仍需提高的问题,提出一种基于火焰彩色纹理复杂度特征的转炉吹炼状态识别方法.首先,将火焰图像转化到HSI颜色空间下并作非均匀量化;然后,计算H分量和S分量的共生矩阵从而融入火焰图像的颜色信息;其次,利用得到的颜色共生矩阵计算火焰纹理复杂度的特征描述子;最后,应用Canberra距离作为相似度度量准则对吹炼状态进行分类和识别.实验结果表明,与已有的转炉火焰灰度共生矩阵和灰度差分统计方法相比,在满足吹炼识别实时性要求的前提下,所提方法的识别率分别提高了28.33%和3.33%.
针对实时多任务调度时低优先级任务的延迟问题，提出了一种优先级周期性互换的静态优先级调度算法。该方法以固定的时间片为周期，对多任务系统中的某两个不同优先级的独立性任务，周期性地互换它们的优先级级别，在保证较高优先级任务的执行时间的前提下，使得较低优先级的任务有机会尽快执行，以缩短其执行过程中的延迟时间。所提方法能有效解决低优先级任务的实时性问题，从而提高实时多任务系统的整体控制性能。
