基于特征点不确定性加权误差的位姿估计新方法

计算机视觉中一般是利用优化技术最小化目标函数来估计位姿,目标函数通常是由图像平面上特征点重投影误差构成,并且假设测量噪声是各向同性且独立同分布的高斯噪声,所得到的位姿是在该假设条件下的极大似然最优估计。然而,在实际应用中这种假设并不总是成立,测量噪声通常是各向异性且非独立同分布,而且常常具有很强的方向性。为此,本文提出了一种新的特征点位姿估计方法,首先对特征点的方向不确定性建模,然后将方向不确定性融入到重投影误差中,构造基于不确定性加权误差的新目标函数,最后利用Levenberg-Marquardt算法优化目标函数求解位姿。大量实验结果表明,本方法可以适应不同程度的方向不确定性,精度优于现有迭代方法。而且随着不确定性的增加,位姿解的精度并没有明显变差。

面向类不平衡网络流量的特征选择算法

针对网络流量分类过程中出现的类不平衡问题,该文提出一种基于加权对称不确定性(WSU)和近似马尔科夫毯(AMB)的特征选择算法。首先,根据类别分布信息,定义了偏向于小类别的特征度量,使得与小类别具有强相关性的特征更容易被选择出来;其次,充分考虑特征与类别间、特征与特征之间的相关性,利用加权对称不确定性和近似马尔科夫毯删除不相关特征及冗余特征;最后,利用基于相关性度量的特征评估函数以及序列搜索算法进一步降低特征维数,确定最优特征子集。实验表明,在保证算法整体分类精确率的前提下,算法能够有效提高小类别的分类性能。

考虑数据分布偏移的短期居民净负荷预测方法

新能源发电的高不确定性导致净负荷的数据分布偏移更加严重。数据分布偏移导致模型在历史数据中学习到的特征信息不再完全适用于未来数据,从而给净负荷预测(net load forecasting,NLF)带来了挑战。因此,考虑到净负荷中更严重的数据分布偏移问题,提出了一种基于不变风险最小化-不确定性加权-长短期记忆神经网络(long short-term memory neural network,LSTM)的短期居民净负荷预测方法,以提升净负荷预测精度。首先,通过不变风险最小化(invariant risk minimization,IRM)建立了一个双目标问题,包括准确预测和学习跨不同数据分布的不变特征。其次,通过长短期记忆神经网络(long short-term memory neural network,LSTM)处理时间序列数据的非线性特征。然后,通过基于不确定性加权(uncertainty weighting,UW)的目标平衡机制避免过度实现任一目标。此外,通过引入分位数回归将所提方法扩展到概率预测。最后,通过基于澳大利亚Ausgrid公司提供的真实居民电表数据从确定性预测结果、概率预测结果、不同数据分布偏移程度和不同光伏渗透率等多个维度验证了所提方法的有效性。