自适应权值调整的C-V模型及图像分割

Chan-Vese模型(简称C-V模型)是基于均质区域能量最小化的曲线演化分割框架。本文提出一种区域相关权重的C-V模型,并对模型的区域权重进行了探讨,定义了自适应权值调整函数,加速曲线收敛过程,得到精确的区域边界。实验表明该算法可行有效。

基于用户大数据的5G天线权值优化方法研究

利用AI技术对天线权值进行研究,针对Massive MIMO小区重叠覆盖区域的天线权值优化提出了一种天线权值自适应调整算法(AAPC)。为寻找较优的天线权值参数组合设置,引入蚁群搜索算法对天线权值进行智能估算,通过调整天线权值参数设置使网络覆盖最优、相互干扰最小。仿真实验以及现网实测结果表明,AAPC天线权值优化算法可获得较优的天线权值参数设置组合,网络覆盖的指标明显改善。

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。

一种改进的基于相关反馈的图像检索算法

基于相关反馈的图像检索算法,加权系数的调整预先确定,缺乏灵活性。为了获得满意的检索结果,需要大量的反馈计算且算法效率低。针对相关反馈的缺点,提出一种基于粒子编码的加权系数自适应调整算法,并且给出了粒子编码的过程与适应度函数的计算过程。选择Corel标准图片库进行实验,基于粒子编码的算法比其他相关反馈算法检索精度大大提高。