结合分组相关性和注意力机制的立体匹配算法

目前立体匹配网络通常面临图像特征获取不充分、语义信息丢失和速度慢等问题。为了改善网络的特征获取能力和运行效率,提出一种结合多重注意力机制和分组相关性代价卷的立体匹配算法。首先,采用基于双重注意力机制的策略,通过融合可变形卷积构建多尺度特征提取网络。通道注意力和空间注意力机制能够在不同分辨率的图像特征提取过程中充分优化特征信息。同时,引入可变形卷积可以自适应采样物体的形状和尺寸,从而提高计算效率。接着,在代价卷的构造过程中,采用分组相关性的方法,同时结合连接特征和相似度特征生成代价卷。这不仅减少了参数和计算量,还保持了语义信息的完整性。最后,通过交叉融合不同尺度下的代价卷,得到最终的代价卷,并经过视差回归得到不同分辨率的最终视差图。实验结果表明,该算法在KITTI2015数据集上取得了显著的成果。全区域误差率仅为3.02%,计算时间为0.16 s,充分展示了该算法在保持低计算复杂度的同时获得了优越的匹配效果。

基于相关性分组的FSC赛车悬架优化方法研究

对赛车双横臂前悬架进行了多体动力仿真,分析了悬架各性能指标敏感度.用DOE试验设计法进行了优化;通过对设计变量相关性的筛选、分类,以及目标函数灵敏度的排序,进行相关性分组优化;比较了两种优化方法的效果.结果表明,分组优化方法能够克服DOE法在权重和优化目标冲突等问题上的不足,获得更好的优化解.

基于相关性分组的拉普拉斯特征评分算法

针对模式识别和机器学习中拉普拉斯评分的特征选择方法存在未考虑特征之间相关性信息这一缺陷,提出了一种新的评分算法。先利用特征之间的相关性对特征进行分组,再在组内按照其重要性进行评分,尽可能选择那些不相似的重要特征来表达数据。实验证明,该方法应用于多个数据集均具有较好的效果。

基于数据挖掘的车载信号设备智能维修方法的实现

为改变当前城市轨道交通车载信号设备维修现状,由故障后维修转换为故障前维修,依托数据挖掘的基本思想,对信号系统车载设备日常运行数据进行大数据挖掘。通过对车载日志的数据信息构建相关性分组或关联规则,形成相应的因果对应关系,并通过对列车运行状态的趋势分析和运行事件的组合比对,以实现对列车运行过程中的显性或隐性故障进行报警和提前预测,从而降低信号系统部件故障对运营造成的负面影响,这对列车故障的维修具有明显的指导意义,有助于提高列车的运行质量。