基于显著性加权随机优化的快速响应码美化方法

随着移动终端和移动互联网的发展,快速响应(QR)码被广泛运用于移动信息交互。但是,标准的QR码是由均匀分布的黑色与白色模块组成,外观类似噪声信号,缺乏视觉美感,限制了QR码的应用。针对此问题,该文提出一种提高QR码视觉效果的美化方法。该方法将给定的彩色图像进行显著性检测和半色调处理,得到相应的显著性矩阵和半色调图像,然后根据半色调图像上的网点分布,对QR码的模块分布进行优化。为了提高优化效率,该文提出一种显著性加权随机优化算法,将优化后的QR码和半色调图像进行融合,得到与半色调图像最相似的半色调QR码。在图像渲染阶段,该文提出一种基于二分搜索的色彩调整算法,得到具有色彩信息和视觉美感的彩色QR码。实验分析表明,该方法生成的QR码不仅保留了与标准QR码一样的抗遮挡、快速解码等特性,还有效地提升了视觉效果,具有很好的视觉吸引力。

改进TrAdaBoost多分类算法的滚动轴承故障诊断

实际工程中滚动轴承受工况、运行环境等因素影响,获取的数据不易满足传统机器学习中训练数据和测试数据独立同分布且训练样本足够多的条件,直接影响故障诊断率。为此,提出一种改进TrAdaBoost多分类算法的滚动轴承故障诊断方法。引入大量辅助标记数据和少量目标标记数据组成联合训练集使训练样本足够多,并应用异分布加权随机抽样对TrAdaBoost迭代过程中的联合训练集进行重组,获得与测试集"近似同分布"的优化联合训练集,降低不同分布数据间的差异性。其次,将迭代结束后的内部分类器模型作为输出,从而改变TrAdaBoost的输出机制使其适应多分类任务。最后,为削弱随机抽样对诊断结果的影响,对多次抽样得到的结果进行一致性投票以得到最终诊断结果。实验结果证明了所提方法的可行性与有效性。