基于新Vague软集模糊熵-Topsis的地标决策

本文分析了现有模糊熵构造方法存在的不足,并提出一种新的Vague软集模糊熵构造方法。该方法既包含Vague集的模糊度又包含其本身的犹豫度,采用Vague集真假隶属度的距离所产生的不确定度和其未知度相加来综合度量影响模糊熵的这2种因素,令调节系数取值为常数,让其简单乘以1/2,以符合Vague软集模糊熵的约束条件。通过与现有模糊熵对比,表明了该模糊熵的合理性。最后通过建立模糊熵-Topsis地标决策模型,剔除信息中的模糊性,并对地标的有效信息进行量化且加入权重,最终以各个地标与参照点之间的相对距离表示地标的排序。将该模糊熵用于地标排序,表明其能够做出有效的最优决策。

基于深度神经网络复杂场景下的机器人拣选方法

针对提高快递包裹的分拣效率和识别准确率,提出了一种基于深度神经网络复杂场景下的机器人拣选方法.首先,提出一种改进的目标检测算法,通过将多层浅层特征图与最终的特征图进行融合,提取更加细节的特征,以提升识别的速度与精度;其次,提出了一种基于关键点的级联卷积最优拣选位置检测网络模型,对包裹最优拣选位置进行实时预测估计;最后,结合目标包裹最优拣选框与场景的深度信息和基于三维信息的目标姿态估计算法实现机器人拣选,并通过实验验证了该方法的有效性.