基于自抗扰控制的散乱数据随机插补优化模型

随机扰动使得网络数据分布散乱,令散乱数据随机插补精准度下降,构建了基于自抗扰控制的散乱数据随机插补优化模型。使用径向基函数对散乱数据进行逼近,实现散乱数据降噪。构建基于自抗扰控制的随机插补优化模型,即通过定义跟踪微分方程组对散乱数据进行过滤处理。通过跟踪微分算法将被扰动数据替换为稳定跟踪数据。在内部扰动和外部扰动随机插补控制量中引入补偿因子,通过非线性函数来生成随机插补控制量,实现散乱数据随机插补优化。实验结果表明,该模型所有插补数据均与实际数据一致,插补结果更为精准,具备较高的实际应用价值。

基于生态云平台的环境精细化监管探索与实践——以散乱污专项整治为例

以生态云大数据平台为依托,通过建立散乱污整治工作模块,实现散乱污整治工作从发现问题、分析问题到解决问题的全链条展示,构建散乱污治理“一张网”和“一张图”。通过省市融合建设、适用不同使用者的应用平台开发、电力监管手段的探索,为生态环境精细化监管提供参考。

基于法向修正与位置滤波的散乱点云去噪算法

为解决传统点云去噪算法易造成模型的过光顺和局部失真问题,提出一种基于法向修正与位置滤波的散乱点云去噪算法。首先利用主成分分析(PCA)算法初估点云法向,对采样点的邻域点法向进行双边加权,利用加权后的邻域点法向之和估计原采样点的高精度法向;利用采样点与邻域点的平均距离及距离偏差在采样点法向上投影的标准差控制滤波参数的取值,使滤波参数能随采样点的局部几何特征自适应变化;最后将修正后的法向和参数自适应的高斯核函数结合,构建新的点云滤波模型。实验结果表明:修正后的法向偏差均方根为0.0624 rad,滤波后的点云数据的最小平均误差为0.0167 mm,最小均方根误差为0.4636μm,最大误差为0.0332 mm。该算法有效地避免了模型的过光顺和特征细节失真。

基于点对特征的无序散乱堆叠工件位姿估计算法

针对无序分拣场景中物体相互堆叠遮挡导致的位姿估计误差大的问题,提出了一种基于点对特征(point pair feature,PPF)的杂乱堆叠工件位姿估计算法。离线训练阶段,使用更优的点云降采样方案和更为细致的点云法线计算方式,以保留更多具有区分性的点对,实现模型更为精确的全局描述;在线匹配阶段,通过快速投票方案获得杂乱堆叠场景中目标的候选位姿,并提出了一种基于体素索引和位姿交并比的聚类策略完成位姿聚类和误匹配位姿的剔除,实现目标位姿的粗估计,最后采用ICP(iterative closest points)算法完成目标位姿的优化,获得目标的精确的6D位姿。分别进行了仿真场景实验和机械臂分拣实验。结果表明:所提算法在杂乱场景中对3种类型工件的平均识别率为98.4%,单个工件识别时间均小于0.86s,且位姿估计精度较原始PPF算法有明显提升;在实际分拣实验中识别成功率达96.7%,分拣成功率达95.3%,验证了算法在实际应用中对于噪声和杂乱遮挡的鲁棒性较强。

Yes相关蛋白1和散乱蛋白2对Luminal型乳腺癌预后的影响

目的研究Yes相关蛋白1(YAP1)和散乱蛋白2(DVL2)在Luminal型乳腺癌组织及癌旁组织中的表达情况,分析其与临床病理特征及预后的关系。方法采用Real-Time PCR和免疫组化方法检测202例Luminal型乳腺癌组织中YAP1、DVL2 mRNA和蛋白表达水平,分析YAP1和DVL2与乳腺癌患者临床病理特征及预后的关系;采用Cox回归分析乳腺癌患者无瘤生存时间的影响因素;Kaplan-Meier生存曲线分析乳腺癌患者YAP1、DVL2表达水平与无瘤生存时间的关系。结果DVL2蛋白的表达水平与乳腺癌患者的TNM分期、有无神经侵犯及癌栓有关。YAP1与腋窝淋巴结、TNM分期、有无神经侵犯及癌栓有关。YAP1 mRNA与DVL2 mRNA表达呈正相关,Cox回归分析结果显示DVL2和YAP1是乳腺癌患者无瘤生存时间的独立影响因素。Kaplan-Meier生存曲线显示DVL2高表达的乳腺癌患者无瘤生存时间较短,而YAP1高表达的乳腺癌患者的无瘤生存时间较长,联合DVL2和YAP1蛋白表达水平分析显示DVL2(-)YAP1(+)组中Luminal型乳腺癌患者的无瘤生存时间明显长于其他3组。结论DVL2和YAP1在Luminal型乳腺癌组织及癌旁正常组织中有不同程度的表达,与乳腺癌患者的某些临床病理特征及无瘤生存时间有关,二者在乳腺癌组织中的表达水平有相关性。

“散乱污”企业排查及分类整治工作探讨

近年来,各地组织开展“散乱污”企业排查与整治工作,然而在实际整治过程中,存在“散乱污”企业界定不合理、“散乱污”企业分类整治无依据、无信息化管理工具几点问题。为解决目前“散乱污”企业专项整治三个关键问题,特制定一套完整的“散乱污”企业排查及分类整治工作程序,包含设计“散乱污”企业排查指标,明确“散乱污”企业分类分级标准,小程序开发,入户排查,排查信息录入及排查成果应用六大环节,此套工作程序现已成功应用于某化工集中区“散乱污”企业专项整治工作。

径向基函数、散乱数据拟合与无网格偏微分方程数值解

介绍了近年来国际上有关散乱数据拟合研究中的径向基函数方法 ,及其在散乱线性泛函信息插值、无网格偏微分方程数值解中应用的主要内容。

基于有理分式插值的散乱数据图像重建方法

插值方法及插值基函数的选择是可视化技术的一个关键问题。首先根据平面域上分布的散乱灰度图像数据点集 ,划分出突变的数据区域和平坦的数据区域 ,然后基于相邻数据的连续性和图像边缘的非连续性 ,利用Thiele连分式和Newton多项式建立有理插值函数和代数插值函数 ,提出了一种新的散乱点插值和图像重建方法 ,并通过实验证明 。

基于Bézier曲面的大规模散乱数据的插值

对于大规模散乱数据而言,传统的散乱数据的插值方法由于要通过求解联立方程组来得到插值曲面,因此无法适应大规模散乱数据的逼近.本文提出的基于B啨zier曲面的大规模散乱数据的插值方法,是一种通过自适应的迭代方法,对大规模的采样点进行B啨zier曲面插值的方法,有助于提高计算的速度和精度.

基于平行截面的三维散乱点物体表面重构

三维物体的散乱点构型技术是近几年计算机视觉领域中的热点问题,它在众多行业有着广泛的应用前景。该文提出了一种新的能够适用于大多数物体的构型方法,并且计算量也相应地得到了控制。

密集散乱数据三角划分及数据压缩

介绍了Delaunay三角划分方法 ,运用一种算法对密集散乱数据进行三角划分 ,并在给定容差条件下对其进行成批压缩。由点云数据中最大、最小的六个点构成初始八面体 ,将数据分割为八个三角形区域上的凸包数据 ,在每个凸包数据中 ,搜寻到其对应的三角形的垂直距离最大的点 ,如果距离大于给定的容差 ,则将该点插入并局部优化三角网格。反之则将该点压缩掉。最后给出的实例证明了该算法的有效性和效率。

一种通用的三维散乱数据点图形重建算法

通过三维扫描仪可以获得物体表面的三维散乱数据点集 ,如何通过图形重建算法来对散乱数据点集进行重建 ,在许多系统中是一个重要的步骤 ,并在许多行业有广泛的应用前景。文章提出了一种新的通用的三维散乱数据点重建算法 ,它是基于轮廓线的构型方法 ,该方法不仅能够适用于凸形物体的构型 。

散乱数据点的增量快速曲面重建算法

给出了一个新的散乱数据的曲面重建算法 .算法充分利用邻近点集反映出的局部拓扑和几何信息 ,基于二维 Delaunay三角剖分技术快速地实现每个数据点的局部拓扑重建 ,然后通过自动矫正局部数据点的非法连接关系 ,以增量扩张的方式把局部三角网拼接成一张标准的整体二维流形网格 .该算法在重建过程中能自动进行洞的检测 ,判断出散乱数据所蕴涵的开或闭的拓扑结构 .实验结果表明 ,该算法高效、稳定 ,可以快速地直接重构出任意拓扑结构的二维流形三角形网格 .

基于NURBS的散乱数据点自由曲面重构

针对散乱数据点， 首先提出基于曲率测度的大规模散乱数据点自适应压缩方法． 在此基础上，提出先压缩后重构的基于ＮＵＲＢＳ的曲面重构策略．该方法可在保持原数据点集基本特征的前提下，将散乱数据点压缩到ＮＵＲＢＳ曲面重构要求的规模。

散乱点云数据配准算法

提出一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象,自动进行点云数据配准的算法·该算法针对待配准的2组点云数据,根据测点及其邻域点估算每个点的曲面法矢,并对法矢方向进行调整,使其指向曲面的同一侧;然后计算各个测点的曲率·根据每个测点的曲率来识别出2组点云数据中可以匹配的点对集合,计算将每一个点对的法矢方向映射为一致的三维空间变换,采用几何哈希方法找出使得最多数量的点对法矢一致的变换,运用该变换将散乱点云作初次配准·以初次配准后的结果作为新的初始位置,将匹配点对集合中的所有点对采用最近点迭代法进行二次配准,从而实现了2组散乱数据的精确配准·应用实例表明,该算法效果良好·

一种改进的散乱点云边界特征点提取算法

提出一种新的散乱点云边界特征点提取算法。根据点云数据小邻域内点用最小二乘法拟合建立微切平面,并将这些数据点向其微切平面投影,利用点集中每个点的场力大小之和可以体现点集平均作用的理论来分析投影面上点集的几何分布特性,据此检测边界特征点。利用双向最近点搜索算法对提取出来的特征点进行排序并自动生成边界曲线。实验结果证明该算法能够快速、准确、有效地提取点云的边界。

散乱点云数据的曲率精简算法

针对海量散乱点云数据精简问题,提出了以平均曲率为判据的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.在散乱数据点参数化的基础上,对k邻域内的散乱点进行二次曲面拟合,求出拟合曲面的平均曲率,进而得出邻域内所有数据点的平均曲率均值,以此为判据进行数据精简.构造曲率差函数,识别出边界数据点,对其进行数据保护.结果表明,该算法对具有曲率多样化特点的点云数据精简具有一定的理论意义和应用价值.通过实验验证了该算法的可靠性和准确性.

基于Kriging方法的空间散乱点插值

给出的一种距离加权插值方法借鉴地质统计学中的Ｋｒｉｇｉｎｇ 方法，在空间数据场满足给定的统计分布特征的前提假设下进行插值．通过对帽状曲面函数的插值结果的观察，可以看出该方法可以获得良好的插值效果．

保留几何特征的散乱点云简化算法

针对散乱点云简化中易丢失几何特征及潜在曲面形状信息的问题,提出一种保留几何特征的散乱点云简化算法.首先以单位距离上的法向变化作为局部特征检测算子,采用基于泊松分布的区域生长法自适应地检测特征点,并计算潜在曲面的平均弯曲度;然后通过设定不同的聚类阈值,并利用共享近邻聚类算法对非特征点的邻域进行聚类分析,从而判定该点处潜在曲面的弯曲程度,同时检测噪声点;最后,删除噪声点,根据潜在曲面弯曲程度,采用不同的简化策略删除冗余点.该算法不但避免了在大量精简时造成孔洞,而且使得简化后模型尽可能保持原始潜在曲面的形状信息,降低简化误差.实验结果表明,文中算法简单、有效,能够同时保留原始点云的几何特征及潜在曲面的形状信息,具有较低的简化误差和良好的鲁棒性.

基于自适应最优邻域的散乱点云降噪技术研究

在分析已有滤波技术的基础上,计算点的法向矢量和法向局部方差。采用与法向局部方差有关的自适应角度阈值的截断函数限制邻域点的选择,获得与表面特征有关的自适应最优邻域;采用改进的三边滤波方法实现法向矢量滤波和位置滤波。实验验证了该方法的可行性,与其他滤波方法相比,该算法能更有效地保持细节特征,同时获得光顺的离散表面。