基于多摄像头和一致性子集的乒乓球跟踪方法

乒乓球运动具有高速性,所以乒乓球跟踪必须满足低延迟和高采样率。为此,提出了一种基于最大一致性子集的乒乓球机器视觉跟踪方法。首先,使用启发式算法寻找目标像素的集合,确定乒乓球的位置;然后,为了纠正启发式算法可能的错误报告,移除离群点,对不同相机所报告的位置进行最大一致性检查,找到并丢弃在目标检测阶段中得到的错误位置;最后分别在仿真环境和现实机器人平台上对所提方法进行评价。与RTBlob等系统相比,所提方法的跟踪准确度更高,对离群点的鲁棒性更优。此外,随着相机数量的提升,所提方法的准确度和鲁棒性也会增加。

基于子集一致性检测的诊断解极小性判定方法

基于模型诊断作为克服第1代诊断系统的缺陷而出现的智能诊断推理技术,现已成为十分活跃的人工智能研究分支,随着相关技术的不断发展,应用愈加广泛.其中,大多数研究集中于诊断求解过程,而诊断解的极小性检测方法保证了最终求得诊断解的极小性,也是问题求解过程中至关重要的一步.传统诊断解的极小性判定过程是将新求得的诊断解与已有诊断集合中的诊断解依次比较,检查是否有新得诊断解的超集或子集来判定极小性,这种方法随着求解过程中得到的诊断解数量增多,检测难度逐渐提高,耗时也随之增大.为解决此问题,提出了一种基于子集一致性检测的诊断解极小性判定的新方法:子集一致性(subset consistency detection, SCD)方法.通过对诊断解少数几个子集的一致性检测来给出该诊断解的极小性判定,避免了求解过程中诊断解集合增大对效率的影响.SCD方法可应用于许多高效的诊断方法,如GD(grouped diagnosis)和ACDIAG(abstract circuit diagnosis)方法,算法效率均有所提高.

人工内分泌机制在最近邻规则约减中的应用

当训练样本集规模过大时,最近邻分类规则约减过程是一个耗时的过程.目前,常见的约减算法往往存在计算成本过高、约减过程难于并行化等问题.针对该问题,文中将人工内分泌机制引入到最近邻规则的约减过程中,保留不同类规则边界上的边界规则,规则的约减规模通过晶格的粒度来设定.该方法可以在分割–约减–合并框架下获得较高的一致性约减子集,从而使规则的约减过程并行化,缩短约减时间.用11个不同的数据集进行仿真实验的结果显示,该方法简单而有效,较好地解决了大样本集的约减问题.

利用细胞自动机模型约减最近邻分类规则

目前常见的最近邻分类规则约减算法,只注重约减后分类器的分类精度和被约减的规则数量,而不注重约减效率和约减后分类器的泛化能力。针对该问题,提出了一种细胞自动机(cellular automata,CA)基础上的最近邻分类规则约减方法。该方法只保留不同类边界上的样本点,约减规则的数量可以由细胞自动机网格的粒度动态调节。其优势在于:在给定的大数据集前提下,可以利用较少的运行时间来约减给定的规则样本;可以利用积累或迭代的方式来分步获得原给定样本集的一致性子集。采用13个不同的数据集进行仿真实验,结果显示该算法简单、有效,较好地解决了大样本集的约减问题。