基于自编码器的过完备多级表示深度子空间聚类

深度子空间聚类网络利用深度自表达性,借助具备全连接层的欠完备深度自编码器,有效地解决了无监督子空间聚类难题.然而,该方法使用输入数据的不完全表示,并且缺乏低级和高级信息的集成,从而损害其鲁棒性.为解决这一问题,提出了一种新的深度子空间聚类方法,该方法使用卷积自动编码器将输入图像转换为位于线性子空间联合上的新表示.在编码器层加入了过完备分支,使得网络能够捕捉到更精细的数据细节.此外,在编码器和相应的解码器层之间引入多个完全连接的线性层.这些互相连接的层协同作用,将低级和高级信息结合在一起,从而在编码器的不同层级上生成了多组自表达和信息表示.该过程有效地促进了特征学习过程.最后,引入了一个新的损失最小化问题,利用初始样本聚类有效地集成了多级表示,从而更准确地恢复了底层子空间结构.随后,采用迭代方案来最小化损失函数.在4个真实数据集上的实验结果表明,在大多数子空间聚类场景中,本文方法最优.

基于Jansen连杆机构机械牛步态设计

在自然界中,随着生物进化,动物的脚已经完全适应了自然环境,其足端形成了良好的几何形状,对复杂的地面环境有高度的适应能力。本文从仿生牛出发,根据牛腿的骨骼结构以及运动特征,结合Jansen连杆机构设计出一款通过曲柄简单旋向实现牛的斜对步态。仿生机械脚采用闭链式结构,利用linkage软件设计并仿真其足端运动轨迹,足端与地面接触轨迹近似于直线,抬起与落下时的摆动轨迹为弧形,使其整个运动轨迹平滑连续。