基于预探索的动态自适应3DVFH+无人机避障算法

为解决无人机在未知复杂环境下的自主避障规划问题,同时考虑到旋翼无人机平台硬件资源稀缺的问题,提出了一种基于预探索的动态自适应3DVFH+算法。根据无人机飞行进度以及障碍物信息,动态调整代价函数的自适应权重因子;通过对无人机视野范围的预探索,构建了搜索树,并对障碍物及无人机模型进行了建模研究,同步实现了无人机在复杂环境中的可视化分析。结果表明,动态自适应代价函数消除了3DVFH+算法的死区现象;预探索机制解决了算法的局部最优解问题,规划航线缩短37.15%,所需时间减少24.48%。同时搭建了复杂度较高的森林障碍物进行验证分析,相较于使用八叉树框架建图的3DVFH+算法执行相同避障规划任务时节省内存可达25.26%。

MIMO干扰信道下基于自适应复合代价函数的干扰对齐预编码设计

在多输入多输出(multiple-input multiple-output,MIMO)干扰信道中,针对传统的单边干扰对齐(interference alignment,IA)算法不能有效地保留期望信号而导致系统容量受限的问题,提出一种利用辅助中间变量实现单边IA的设计思想,并以此为基础,给出一种基于自适应复合代价函数(adaptive composite cost function,ACCF)的IA预编码设计方法。该方法首先定义期望子空间内的残留干扰和有用信号功率的自适应加权差作为代价函数;进而通过一辅助函数,将干扰抑制矩阵转化为中间变量,以构造复合代价函数;最后利用格拉斯曼(Grassmann)流形上的梯度下降法实现复合代价函数的优化求解。数值仿真结果验证了基于ACCF的IA方法在MIMO干扰信道中的有效性。

代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题,提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中,引入一种新的自适应代价敏感函数,赋予少数类样本及分错的少数类样本更高的代价值,并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机(Support vector machine,SVM)优化模型作为基分类器,采用带有方差减小的随机梯度下降方法(Stochastic variance reduced gradient,SVRG)对优化模型进行求解。对比实验表明,本文提出的算法不但在几何均值(G-mean)和ROC曲线下的面积(Area under ROC curve,AUC)上明显优于其他算法,而且获得了较大的平均间隔,显示了本文算法在处理非平衡数据分类问题上的有效性。

行列双动态规划的改进自适应立体匹配算法

在各种立体匹配算法中,利用动态规划算法求解可有效地提高立体匹配的速度和精确度,同时具有实时性好、易于实现的优点。利用动态规划算法的优点,提出一种基于行列动态规划的自适应立体匹配算法,采用改进的自适应代价函数和能量最小化模型,对最优化问题进行求解。在求解的过程中,基于行动态规划得到的列方向视差值的变化给予对应数据项不同的奖励值,以减少行动态规划产生的明显条纹,最后使用列动态规划得出最终结果。实验结果表明,该算法能够减少总体的匹配错误率,减少明显的条纹瑕疵,取得较理想的立体匹配效果。

基于最优间隔的AdaBoost_(v)算法的非平衡数据分类

为了解决非平衡数据分类问题,提出了一种基于最优间隔的AdaBoost v算法。该算法采用改进的SVM作为基分类器,在SVM的优化模型中引入间隔均值项,并根据数据非平衡比对间隔均值项和损失函数项进行加权;采用带有方差减小的随机梯度方法(Stochastic Variance Reduced Gradient,SVRG)对优化模型进行求解,以加快收敛速度。所提基于最优间隔的AdaBoost v算法在样本权重更新公式中引入了一种新的自适应代价敏感函数,赋予少数类样本、误分类的少数类样本以及靠近决策边界的少数类样本更高的代价值;另外,通过结合新的权重公式以及引入给定精度参数v下的最优间隔的估计值,推导出新的基分类器权重策略,进一步提高了算法的分类精度。对比实验表明,在线性和非线性情况下,所提基于最优间隔的AdaBoost v算法在非平衡数据集上的分类精度优于其他算法,且能获得更大的最小间隔。

基于行列双动态规划的立体匹配算法

提出一种基于行列双动态规划的立体匹配算法,采用能量最小化立体匹配模型,其中包含数据项和平滑项,在求解能量最小化过程中,在行方向上利用动态规划的方法给出视差图的能量最小化解,利用行动态规划的求解结果给予对应数据项一个奖励,同时在列方向上对视差图进行动态规划求解,并将其作为最终求解结果。实验结果表明,该算法能够取得较理想的效果。

基于改进双向动态规划的立体图像匹配算法

提出一种基于改进双向动态规划的立体图像匹配算法,选用修正后的自适应加权代价函数(Adaptive Support Weight Cost Function,ASCF),然后构建新的全局能量函数,并通过改进双向动态规划来寻径,最后采用简单的滤波方法和遵循3个可靠性准则去除孤立的错误视差点,以获得稠密视差图。实验结果表明,该算法在降低误匹配率和减少"条纹"瑕疵方面有显著的改善效果。