MDX编译器设计与实现

讨论了针对OLAP分析服务器中多维查询语言MDX解析模块的设计与实现。研究了基于Lex和Yacc,将MDX查询语句解析成查询树对象的设计思路与实现方法。结合元数据访问和权限管理,编译器从词法分析、语法分析和语义处理等方面进行深入分析,不仅完成了语法和语义的检查,还可基于角色对用户分析查询进行权限验证,实现信息的安全管理。

基于Light-BotNet的激光点云分类研究

三维点云在机器人与自动驾驶中都有着普遍的应用,深度学习在二维图像上的研究成果显著,但是如何利用深度学习识别不规则的三维点云,仍然是一个开放性的问题。目前大场景点云自身数据的复杂性,点云扫描距离的变化造成点的分布不均匀,噪声和异常点引起的挑战性依然存在。针对于现有的深度学习网络框架对于激光点云数据的分类效率不高以及分类精度低的问题,提出一种基于激光点云特征图像与Light-BotNet相结合的CNN-Transform框架。该框架在于通过对点云数据进行特征提取,以相邻的特征点构造点云特征图像作为网络框架的输入,最后以Light-BotNet为网络框架模型进行点云分类训练。实验结果表明,该方法与现有的多数点云分类方法相比,能够较好地提升激光点云的分类效率以及分类精度。

基于Feature-RNet的三维大场景点云分类框架

随着大场景三维点云应用在越来越多的领域中,近些年对激光点云大场景下的分类研究不断深入,各种分类模型层出不穷,在大场景点云分类任务中表现优异,但是依然存在训练时间长、计算复杂以及分类精度低等问题。针对分类精度低这一问题,提出一种基于Feature-RNet的三维大场景点云分类框架模型来实现点云分类工作。该框架模型不直接以三维点云数据作为输入,而是以通过KNN方法提取三维点云的二维特征和三维特征构建的特征图像作为输入,避免了网络框架对三维点云数据直接处理的不适应性;该模型设计的RNet框架结构利用了残差模块,并对其进行变型以达到提高分类精度的效果。采用公开的Oakland三维数据集对Feature-RNet框架模型进行训练,与现有的其他深度学习分类框架相比,提出的Feature-RNet框架模型在分类精度上有较大的提升,总体分类准确率能达到97.7%。