面向曲率及边界距离约束的弯曲管道内路径规划

弯曲管道结构是工业探测或医用诊察中常见的一种场景,传统机器人的路径规划大多基于管道中心线的提取,而忽略了在狭窄空间中作业的真实参数约束,易使得作业工具末端受到弯折或挤压,影响作业效率,增加作业风险.针对以上问题,提出了一种面向真实曲率和边界距离参数约束的路径规划方法,在可视化的三维模型中生成管道的中心稠密点集,针对该点集提出两步走的空间特征点识别策略.在选定作业路径的初始点、终止点后,依据邻近点间的曲率均值、极值及差分关系识别曲率极值点、分段点,通过对粗扫描特征点的遍历进一步识别出拐点和宽域节点以及过密点.将识别出的特征点作为型值点,反算得到NURBS曲线及对应插值点的曲率值,通过模型切片搜索得到曲线插值点的边界距离不合格点集.将极值点添加至特征点集中,再通过搜索得到的曲率不合格点集,将极值点进行拟合圆调整至后更新特征点集、在完成自适应轮次的特征点迭代后,检测并标记为空或连续不变的全区间参数不合格点区间集.实验结果证明:弯曲圆柱仿真模型和CT重建肾腔模型的规划路径经由迭代分别满足曲率10 mm^(-1)、8 mm^(-1)的约束.同时最短距离的全区间检测及标记结果也表明本文方法可以在满足曲率要求的前提下尽可能不碰撞管道内壁,验证了本文方法的有效性和可行性.

基于分段时间弯曲距离的时间序列挖掘

在时间序列库中的数据挖掘是个重要的课题,为了在挖掘的过程中比较序列的相似性,大量的研究都采用了欧氏距离度量或者其变形,但是欧氏距离及其变形对序列在时间轴上的偏移非常敏感.因此,采用了更鲁棒的动态时间弯曲距离,允许序列在时间轴上的弯曲,并且提出了一种新的序列分段方法,在此基础上定义了特征点分段时间弯曲距离.与经典时间弯曲距离相比,大大提高了效率,而且保证了近似的准确性.

基于特征点分段的多元时间序列相似性搜索

现有的各种多元时间序列相似性搜索方法难以准确高效地完成搜索任务。提出了一种基于特征点分段的多元时间序列相似性搜索算法,提取所定义的用于分段的特征点,分段后将原时间序列转化为模式序列,该模式序列能够很好地保留原序列的全局形状特征,再用分层匹配的方法进行相似性搜索。实验结果表明,该方法能够有效刻画序列的全局形状特征,通过分层匹配保留局部的相似性,同时提高搜索准确率。

基于重要点的时间序列趋势特征提取方法

现有的基于时间序列分段线性表示的趋势特征提取算法不能完全正确提取时间序列基本趋势特征.为此定义时间序列基本趋势的自然分割点为重要点,提出一种新的分割目标函数.新的目标函数包括2个优化目标:最小化时间序列基本趋势与其分段基本趋势的不一致,最小化时间序列趋势值与其分段趋势值之间的误差平方和.根据新的目标函数,设计了一种重要点和自底向上分割相结合的时间序列分段线性化趋势特征提取方法.按重要点分段可以正确提取基本趋势,而自底向上分割方法以初始小尺度分割后迭代融合拟合误差平方和增加最小的相邻分段,可以得到较高的拟合精度.仿真实验表明,该方法克服了现有分段线性化方法的缺点,在分段数相同的情况下提取精度比现有方法高.

分段聚合近似和数值导数的动态时间弯曲方法

针对动态弯曲方法对时间序列数据相似性度量的质量和效率的局限性,本文提出一种基于分段聚合近似和数值导数的动态时间弯曲方法。该方法通过分段聚合近似将时间序列数据进行有效地降维,再结合数值导数对降维后的特征序列构建新特征序列,并且设计符合该特征序列相似性度量方法。实验结果分析表明,与传统动态弯曲方法相比,新方法具有较好的度量质量,能在时间序列数据挖掘中得到较好的分类效果,且在低维空间具有较高的分类效率,具有一定的优越性。

基于特征点转换的时间序列符号化方法

将时序数据有效地映射到特征空间是时间序列相似性搜索的一个关键问题。文章结合时间序列符号化思想与分段线性表示中分段点选取的思想,提出一种基于特征点转换的时间序列符号化方法FPTS。该方法能有效提取序列的形状特征,在降维和除噪的同时保留序列的极值点特性,支持基于动态时间弯曲距离的相似性度量,克服传统的符号化方法受限于精确匹配的缺陷。实验证明了该方法的准确性和高效性。

基于滑动窗口分段的动态时间弯曲下界算法

下界算法可以简化时间序列相似性查询的计算过程.现有的基于点对累积近似表示法的下界算法,相似度计算的时间代价较小,但当时间序列振幅波动较大时,往往不能紧致地拟合时间序列.针对这一问题,在下界算法中引入滑动窗口分段表示法,提出一种基于滑动窗口分段的动态时间弯曲下界算法,构建拟合度更高的上下边界曲线,对时间序列进行过滤,筛除相似性较差的时间序列.实验结果表明,该算法能够有效地简化时间序列相似度的计算过程,降低时间复杂度,提高相似性查询效率,且当时间序列的振幅波动较大时,相似度计算的紧致度和修剪率更高.

基于影像尺度空间表达与鲁棒Hausdorff距离的快速角点特征匹配方法

快速影像匹配是进行影像时间序列分析与飞行器导航的重要方法。本文对待匹配影像进行高斯低通滤波预处理时,运用影像的尺度空间表达思想对不同分辨率的基准影像和实时影像选择了相应的σ值进行卷积滤波处理,使基准影像和实时影像具有相近的分辨率,从而提高两影像所提取角点的重复率,使得影像的正确匹配概率得到提高。然后用基于影像几何结构分析的改进的快速角点探测算法进行了影像的角点提取;最后用本文提出的改进的鲁棒Hausdorff距离进行了基准影像和实时影像的匹配。实验证明,本文方法对影像噪声和灰度变化不敏感,具有抗影像尺度变化的能力。在基准影像和实时影像灰度差变化较大的情况下, 收稿日期:2004 07 16;修回日期:2004 11 15基金项目:航天预研基金资助项目(2003)作者简介:安 如(1963 ),女,江苏淮安人,副教授,博士生,目前主要研究方向为数字影像处理与匹配。依然能取得较高的正确匹配概率。由于采用基于影像信息量评价的搜索策略和快速角点提取算法,匹配速度也较快。

改进分段线性表示与动态时间弯曲相结合的负荷曲线聚类方法

聚类分析是负荷特性分类与综合的基本方法。针对现有聚类方法应用于基于电网大数据平台的在线负荷建模中在聚类质量、鲁棒性等方面表现的不足,提出一种改进分段线性表示(IPLR)的日负荷曲线降维方法。利用IPLR对数据组进行自适应降维重构的优点,与动态时间弯曲(DTW)距离适用于不等维时间序列间相似度衡量的特点相结合,构造出IPLR与DTW距离相结合的日负荷曲线聚类方法。首先,根据负荷曲线相邻及间隔采样点变化量,提取负荷曲线的特征点,对曲线进行自适应降维重构;然后,以DTW距离作为曲线相似度衡量指标,运用基于Canopy的K均值(CK-means)算法对降维数据组展开聚类分析。将所提出的方法应用于中国某省区电网典型用户日负荷曲线的分类与综合,结果表明所提降维方法与相似度衡量方法相契合,具有良好的综合性能,适用于变电站综合负荷行业构成比例解析。

基于特征点界标过滤的时间序列模式匹配方法

动态时间弯曲距离能度量不等长的时间序列、且具有较高的匹配精度,因此广泛应用在时间序列模式匹配中。但其计算复杂度较高,制约了在大规模数据集上的应用。为了实现时间序列模式度量结果和计算复杂度的平衡,提出一种基于特征点界标过滤的时间序列模式匹配方法。首先,提出一种特征点界标过滤的特征提取方法,保留时间序列主要特征,压缩时间维度;然后,利用动态时间弯曲距离对特征序列进行相似性度量;最后,在应用数据集上对所提方法进行有效性验证。实验结果表明,所提方法在保证高精度的前提下,能有效降低计算复杂度。

基于角点弯曲度的时间序列相似性搜索算法

针对基于点距离的时间序列相似性搜索算法鲁棒性较差的问题,提出一种面向形态的时间序列近似表示方法和相似性度量算法。算法不依赖于时间序列长度和领域知识。在充分利用时间序列时变特征的基础上,以角点为分界点,利用角点处的弯曲度提取时间序列的特征,近似表示时间序列。实验结果表明,该算法具有良好的平移和伸缩不变性及较好的鲁棒性,搜索能力更强。

顾及转弯特征点的渔船轨迹压缩算法

为提高渔船轨迹压缩中的转弯特征保留效果,提出一种顾及转弯特征点的轨迹压缩(Time-Ratio Turn,TR-T)算法,该算法在压缩前检测轨迹转向特征点,并通过轨迹分段提高压缩效率。为验证该算法的实用性,采用真实的南海渔船轨迹数据进行实验,并对轨迹转弯特征进行可视化分析。实验结果显示:在平均误差上,TR-T算法与自顶向下的时间比例(Top-Down Time-Ratio TD-TR)算法较为一致并且优于道格拉斯普克(Douglas-Peucker,DP)算法,并且在压缩率大于70%时,其平均误差都小于1 m;在压缩时间上,TD-TR算法与DP算法压缩时间约为TR-T算法的3倍和6倍;在可视化效果方面,TR-T算法能够保留原始轨迹的整体交通流情况,并且较其他2种算法转弯处的特征点保留效果更好。

基于极值分段特征标识的时间序列分类方法

时间弯曲距离受最优路径和距离计算方式限制,累加距离不能有效区分时间序列的类型。标识极值能够获得时间序列的区间性特征,相应的特征标识能够对距离相同但趋势不同的时间序列进行有效分类。提出分析同类时间序列的时间弯曲距离结果获得典型时间序列,根据极值点进行分段,在标准差的基础上形成特征标识。对达到距离要求的目标时间序列和典型时间序列进行标识匹配,最终明确其类型。所提算法解决了时间序列分类过程中时间弯曲距离度量局限性的问题。最后,证明了算法的理论可行性,并给出了其整体流程。实验结果表明,基于极值分段特征标识的时间序列分类方法具有良好的分类性能。

基于波动特征的时间序列数据挖掘

针对相似度搜索是时间序列数据挖掘的基础,构造鲁棒的动态时间弯曲距离是相似性研究的关键,考虑时间序列特征点的重要意义,引入一种时间序列波动点的抽取方法,采用二叉特征树结构对原序列进行再表达.该方法既提取了序列整体趋势信息,又有效约减了数据维数.对多个数据集的层次聚类实验表明,在保证较高准确率情况下,该方法显著提高了DTW的计算效率.

基于Voronoi图表和进化策略的图像特征点配准方法

针对传统的特征点配准算法时间复杂度高、容易陷入局部最优解的不足,提出一种基于Voronoi图表和进化策略的图像特征点配准方法.该方法以匹配点对的欧几里德距离均方的极小值作为优化目标,通过区域填充算法生成参考图像点集的Voronoi图表,将参考图像划分为若干不相交区域,每个子区域中含且只含一个特征点,且对给定子区域中的任意一点,离其最近的特征点即为该区域所含的特征点.在迭代过程中利用Voronoi图表信息并通过SVD方法和进化策略的混合算法求解目标函数.将该方法应用于多模医学图像配准,并与传统的ICP算法比较,结果表明在速度上该方法明显优于ICP算法,并且能够有效避免陷入局部最优解.

基于电压曲线形态特征聚类的低压台区相位辨识

针对电压曲线分布集中导致低压台区用户相位难以准确辨识的问题,提出基于电压曲线形态特征聚类的低压台区相位辨识方法。首先,采用分段聚合近似(PAA)对配电变压器低压侧三相以及低压用户的电压曲线进行分段,提取反映整体分布的主要特征信息,减少冗余噪声的干扰。引入一阶导数与动态时间弯曲(DTW)增加对每个分段序列局部趋势变化的分析,并将其集成到PAA距离度量中,既弥补了均值特征缺乏对电压曲线趋势变化信息的考量,又能降低DTW的时间复杂度。然后,通过该距离度量综合判定电压特征序列的相似度,并以此改进传统k-means聚类的相似性度量,构建低压台区相位辨识模型。最后,通过实际台区算例分析验证了所提方法的有效性。

基于分段时间序列的试井数据相似性查询算法

从石油试井数据序列查询的实际需求出发,给出一种新的时间序列相似性查询算法。该算法首先通过中线距离阈值和极值点两个约束条件分段线性拟合时间序列,利用分段动态弯曲距离度量获得相似的分段子序列,逐点检索该子序列实现序列的精确查询。实验结果表明,该算法具有良好的相似性查询质量和效率。

基于分段特征及自适应加权的DTW相似性度量

利用动态时间弯曲(DTW)技术在原始多元时间序列进行相似性度量时时间复杂度较高,且DTW在追求最小弯曲距离的过程中可能会出现过渡拉伸和压缩的问题。提出一种基于分段特征及自适应加权的DTW多元时间序列相似性度量方法。对原始时间序列在各个变量维度上进行统一分段,选取分段后拟合线段的斜率、分段区间的最大值和最小值以及时间跨度作为每一段的特征,实现对原始序列的大幅降维,提高计算效率。在DTW计算最佳弯曲路径的过程中为每个点设置自适应代价权重,限制弯曲路径中点列的重复使用次数,改善时间序列因过度拉伸或压缩所导致的度量精度低的问题,以得到最优路径路线。实验结果表明,该方法能很好地度量多元时间序列之间的相似性,在多个数据集上都能取得较好的度量结果。

基于时间相似数据的支持向量机水质溶解氧在线预测

为及时辨识集约化水产养殖水质变化趋势、动态调控水质,确保无应激环境下健康养殖,该文提出了基于时序列相似数据的最小二乘支持向量回归机(least squares support vector regression,LSSVR)水质溶解氧在线预测模型。采用特征点分段时间弯曲距离(feature points segmented time warping distance,FPSTWD)算法对在线采集的时间序列数据进行分段与相似度计算,以缩减规模的子序列数据集对LSSVR模型进行快速训练优化,实现了多个LSSVR子模型在线建模,将预测数据序列与LSSVR子模型的相似度匹配,自适应地选取最佳的子模型作为在线预测模型。应用该模型对集约化河蟹福利养殖水质参数溶解氧浓度进行在线预测,模型评价指标中最大相对误差、平均绝对百分比误差、相对均方根误差和运行时间分别为4.76%、8.18%、5.23%、8.32 s。研究结果表明,与其他预测方法相比,该模型具有较好的综合预测性能,能够满足河蟹福利养殖水质在线预测的实际需求,并为集约化水产养殖水质精准调控提供研究基础。

基于DTW-Wavelet的混凝土坝变形特征辨识方法

基于水压、温度、时效在混凝土坝变形监测数据中蕴含的不同时频特征,利用小波多分辨率特性,研究混凝土坝变形监测数据周期性分量、时效分量的辨识方法;针对影响辨识效率和精度的小波分解层数确定问题,引入动态时间弯曲距离用于度量周期性分量和环境量间的差异性,实现大坝安全监测数据更为客观、高效的特征辨识。通过实例验证表明,该方法用于实际工程中,所辨识得到的周期性分量和时效分量符合一般规律,说明将其应用于混凝土坝变形特征辨识是可行的、有效的,可为进一步深入研究提供可靠的数据资源。