基于边缘检测的数字媒体深度交互式图像分割算法

针对数字媒体深度交互式图像受噪声干扰,导致其边缘检测效果较差,影响其分割精度的问题,提出基于边缘检测的数字媒体深度交互式图像分割算法。首先,利用小波变换方法对数字媒体中的图像进行去噪处理,提高图像分割精度;其次,使用高斯函数与低通滤波增强去噪后的图像,提高图像的清晰度,为图像分割提供便利;最后,依据自适应阈值算法对数字媒体的图像进行边缘检测,像素合集中存在上下阈值。根据其上下阈值的计算求出像素合集中的高低两个阈值,并对其实施边缘连接,实现数字媒体图像分割。实验结果表明,所提方法对分割数字媒体图像去噪效果好,分割精度和效率高。

面向用户偏好的动态网页数据交互式查询算法

为提高网页数据查询速度、精度及工作效率,提出一种面向用户偏好的动态网页数据交互式查询算法.首先,构建用户偏好模型,增加偏好组合的演化个体适应性,综合计算适配值;其次,为防止数据冗余和重复,基于兴趣相似性,分离相似度高的查询数据和重复数据,识别出网络数据的性质;最后,利用粒子群优化算法寻找最优的动态网页数据交互式查询方案.实验结果表明:在数据集基数影响下,该算法的查询结果集质量在0.95以上;在查询最大维数影响下,该算法的查询结果集质量在0.96以上,表明其查询使用时间短、结果集精度高、自适应能力强.

结合形状文法与交互式遗传算法的列车头型设计

[目的]典型的列车头型美学设计方法普遍依赖于设计人员的主观经验和直觉,已不能满足快速迭代和大规模定制的设计与生产需求。因此,针对列车头型的美学设计问题,提出了一种结合形状文法与交互式遗传算法的列车头型生成式设计方法。[方法]对列车头型不同层次的形状特征线进行分析与提取,结合形状文法对设计元素特征线进行抽象创作;采用交互式遗传算法对造型设计特征进行编码,考虑到用户在评价方案过程中审美认知的模糊性,适应度采用模糊赋值方法,实现头型设计的智能多样化选择;以磁悬浮列车头型设计为例进行验证。[结果及结论]与传统交互式遗传算法的精确赋值相比,采用高斯隶属函数来模糊表示进化个体的适应度值,可以降低用户评价过程中的心理负担。结合形状文法与交互式遗传算法的列车头型生成式设计方法,可以有效改善概念方案质量,提升设计效率。在交互评价过程中,随着进化代数的增加,用户针对方案的平均交互评价时间逐渐减少,这体现了用户对方案理解的渐进性,也说明了交互式生成技术方法符合用户的认知模式。

交互式多模型算法改进视觉惯性定位技术

针对目前使用优化方法构建的视觉惯性数据融合模型尚未充分考虑实际复杂性,导致无法准确模拟复杂的实际状态的问题,提出一种交互式多模型(IMM)算法改进视觉惯性定位技术:指出相较于传统滤波方法,优化的视觉惯性融合定位技术具有更高的估计精度,并且在计算效率上能够与滤波方法媲美,这得益于雅可比矩阵和海塞矩阵的稀疏性特征;然后给出将交互式多模型算法与优化算法相结合的方法,利用IMM能够有效模拟单个目标在多种情景下的状态的特点,通过模型概率实时分配惯性数据和视觉数据的置信度,改进优化算法,从而提高位姿估计精度。实验结果表明,相比基于旋转不变特征点的实时定位构图系统第三代(ORB-SLAM 3)算法,该方法对定位精度的均方根(RMS)误差性能可提升17%。

基于交互式AI算法构建动态图形在未来社区活动中的个性化引导

为满足未来社区活动多样化需求,本研究提出利用用户数据分析、语言模型和交互式反馈,提供个性定制化的社区活动引导,增强未来社区吸引力和用户体验,并设计专属于个人需求的交互式AI动态图形个性化引导系统。该系统在确立社区空间中的系统设计原则和核心功能基础上,全面搜集并分析用户数据,精确构建AI算法模型,实时生成及更新动态图形,在社区空间中实现流畅的用户体验,持续优化用户体验并严格保护用户个人隐私。

基于交互式多模型自适应滤波AUV定位算法

为实现自主水下航行器(AUV)有效定位,针对现有单模型滤波定位算法滤波误差大、定位精度低等问题,提出一种基于交互式多模型自适应滤波AUV定位算法(IMAF)。该算法采用平滑高斯-半马尔可夫模型描述AUV运动状态,结合AUV动力学状态方程构建机动和非机动交互式运动模型;再利用平滑高斯-半马尔可夫模型状态转移概率实现AUV不同运动状态的转换进而实现自适应定位。仿真实验表明,所提算法与基于条件最小化非线性滤波算法、单模型的扩展卡尔曼滤波算法和卡尔曼滤波算法相比,AUV定位精度分别提升了53.6%,62.1%和83.5%。

交互式遗传算法基于NN的个体适应度分阶段估计

针对交互式遗传算法中人的疲劳问题,提出一种基于神经网络(NN)的个体适应度分阶段估计方法,给出了神经网络估计进化个体适应度与人的评价之间的转换策略以及神经网络学习效果的评价指标,并分析了算法的复杂性.实例结果验证了该方法的有效性.

新息滤波交互式多模型噪声辨识算法

预先或在线获取系统噪声的统计特性，往往是有效设计一个估计器或控制器的先决条件．早期关于噪声辨识的工作主要针对平稳或统计特性缓变的噪声过程．本文提出一种混合系统噪声辨识新算法，该算法将新息滤波与交互式多模型算法结合起来，前者降低了权概率系数对量测噪声的敏感程度，而后者则是基于混合系统模态的马尔可夫链过程实现多模型的动态交互与动态切换．仿真结果证明了本文新算法的有效性．

基于交互式遗传算法的产品配色设计

研究从平面图像到产品三维模型的配色方案自动映射机制。利用色彩合并与主色提取等技术从平面图像中获取配色方案,并据此构建产品配色方案解空间。在考虑色彩数量、比重和随机创意等因素的前提下,把配色方案从平面图像映射到三维产品模型表面,并将方案群以视觉化形态展示,供设计师选择。通过交互式遗传算法寻找最优方案,程序从设计师选择的方案编码中分析计算出隐含的设计师意象信息,并用以构建适应度评价函数推进方案的优化。在产品外观色彩设计中对设计方法进行验证,实现配色方案的自动化提取、映射和优化设计。

交互式多模型算法性能分析

广泛应用于目标跟踪和故障诊断的动态多模型估计 (SMME)假设模式的切换服从马尔可夫过程 .对马尔可夫切换概率 (MTP)的非MonteCarlo分析有助于深入了解SMME的机理 ,发现参数寻优的法则 ,设计或发展新的自适应多模型估计器 .然而由于SMME的复杂性 ,非MonteCarlo分析很难给出 .本文针对SMM中著名的交互式多模型 (IMM)估计器 ,通过将IMM看作是输入交互和子滤波器串联 ,分析了具有m个参数的MTP矩阵 ,给出了六条不依赖于应用环境及子滤波器设计的结论 .部分结果也适用于一阶广义伪贝叶斯算法 (GPB1) .

交互式多模型算法的模型集设计

针对交互式多模型(IMM)算法中模型集的设计问题,提出一种模型集设计方法.在已知真实模式概率分布函数的情况下,根据要求的模型数目,等概率划分模式空间,在每个等概率模式空间上,利用方差的含义获得最大范围地覆盖模式空间的模型集,并给出一个例子说明模型集的设计方法.应用Monte-Carlo仿真,将所设计的模型集用于IMM算法进行目标跟踪.仿真结果显示跟踪精度高,表明了该模型集设计方法的有效性.

交互式遗传算法中收敛性及用户评估质量的提高

交互式遗传算法 (IGA)有一个明显的缺点 ,即用户在交互过程中 ,对每代的所有个体都要进行评估 ,当个体的数量较大 ,进化代数较多时 ,用户容易疲劳 .针对这一问题本文提出了三种解决方法 :第一 ,利用粗糙集 (roughset)理论作为信息提取技术 ,有效地提高交互式遗传算法的收敛性 ,降低进化代数 .第二 ,引进一个自主式遗传操作过程 ,以缓解用户在交互过程中的疲劳性 .第三 ,利用相似距离值这个新概念提高用户对个体评估的精确度 .最后在人脸图形上进行实验的结果表明 。

交互式多模型算法过渡过程的仿真分析

交互式多模型(IMM)是混合估计理论中比较优越的算法。混合系统假设模式的切换能够瞬时完成。然而由于量测噪声和滤波系统惯性的作用,混合系统的模式切换具有过渡过程,对于实际运动模式切换存在漏检与误报。本文利用Monte Carlo仿真分析了两模型IMM算法过渡过程的滤波残差的统计特性,研究结果对于分析和改进算法具有重要的意义。

结合SVM的交互式遗传算法及其应用

交互式遗传算法在人机交互过程中 ,用户对每代的所有个体都要进行评估。针对个体数量较大 ,进化代数较多 ,用户容易疲劳这一问题 ,提出了一种改进算法 ,充分利用遗传初始阶段用户所选择的正例和反例信息 ,采用支持向量机构造分类器 ,在整个图像库中找出更多符合分类器的图像加入到遗传过程 ,以扩大遗传操作中好个体的个数 ,加速算法收敛 ,从而减轻用户疲劳 ;同时交互中不断扩大的样本集也使支持向量机分类器更加准确 ,从而建立比较完善的个性化的情感模型。本文将该算法应用于服装图像的个性化情感检索。实验结果表明 ,所提出的方法可以较好地减轻用户疲劳 ,检索出的图像较好地体现用户的个性化情感。

一种交互式的Ad Hoc网络QoS路由算法

针对分簇结构的 Ad Hoc网络以及一些特定业务对于多个目标同时性能的要求 ,本文选取带宽作为约束条件 ,把时延和丢失率作为 Qo S优化目标 ,建立了 Qo S路由选择的多目标整数优化模型 ,并给出了求解模型的交互式算法 .该算法能够根据决策者的偏好以及网络的实际情况压缩目标空间 ,快速地找到满意路由 .

产品研发中面向用户意象的交互式遗传算法评价模式

针对产品研发过程中了解用户意象的需求,采用交互式遗传算法对产品设计方案实施优化。由于评价噪声影响用户意象的准确获取,对交互式遗传算法的用户评价噪声来源及其与评价精度之间的关系作了分析,对四种不同评价精度下的收敛速度、评价耗时和用户疲劳等指标进行了实验研究。结合产品优化设计的具体案例,论证了低精度评价方法具有降低疲劳、缩短评价时间、提高种群规模等优势,并且可以有效利用数理统计方法进行适应值预测和用户意向分析。

具有参数自适应的交互式多模型算法

动态多模型估计 (SMME)广泛应用于结构和参数的不确定 /变化的估计问题中 ,比如目标跟踪和故障诊断与隔离 .然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷 .针对SMME ,本文通过在每个滤波循环开始处起始多个状态预测器实时地辨识滤波参数 ,包括模式切换概率和基于模型的过程噪声方差 .考虑到交互式多模型 (IMM)是SMME中比较有效的方法 ,我们将上述的参数辨识与IMM相结合 ,提出了一种自适应IMM(AIMM ) .在跟踪一个机动目标的仿真中 ,AIMM表现出了比IMM更高的估计精度 .

基于满意域和禁忌域的交互式遗传算法

针对交互式遗传算法中用户易疲劳问题,提出求同算子与求异算子,基于此给出搜索空间的划分及演化方法,提出基于满意域和禁忌域的交互式遗传算法,该方法可以引导遗传算法在不断缩小的空间中产生新个体,从而提高收敛速度,减少进化代数,达到减轻用户疲劳的目的.利用此方法进行服装设计的实验结果表明,该方法可以有效解决用户疲劳问题.

基于交互式多目标遗传算法的无源滤波器优化设计

分析了传统无源滤波器优化设计方法的优缺点 ,提出了一种基于交互式多目标遗传算法的无源滤波器优化设计方法。该方法用遗传算法对无源滤波器的参数进行优化 ,通过非精确偏好信息引导遗传搜索 ,使得种群朝着多个目标的最佳综合性能方向进化。引入分享法来增加种群的多样性 ,最终获得与决策者意愿相吻合的解集。较好地实现了无源滤波器成本、电压电流谐波和无功功率补偿的多目标优化设计。实验结果表明此无源滤波器的成本可以降低约 3 5 % ,滤波效果却有明显的提高 。

基于“当前”统计模型的交互式多模型算法

提出了一种基于"当前"统计模型的交互式多模型算法。在交互式多模型算法框架内,计算"当前"统计模型的概率,自适应地调整"当前"统计模型中目标加速度,使其能够反映目标的机动特性,充分发挥了"当前"统计模型和交互式多模型算法的优点,扩大了"当前"统计模型的应用范围,提高了"当前"统计模型的自适应性。Monte Carlo仿真结果表明了该算法的有效性。