基于位置信息的非结构化overlay匹配方法研究

在非结构化overlay中,由于底层物理网络和overlay的拓扑失配问题,产生了大量冗余网络负载。为了降低负载,提出了基于位置信息的方法动态构造overlay。通过分布部署用于维护已加入网络的节点信息的info-Node,在不引入较大冗余网络负载的情况下,能够较好地解决拓扑失配问题。实验表明,基于网络测量的方法能显著降低网络负载和查询响应时间。

非结构化环境下番茄采摘机器人目标识别与检测

针对采摘机器人收获技术中的识别技术受限于非结构化环境中复杂背景干扰的问题,采用改进模型后处理的研究路线,提出一种改进YOLOv5算法。首先将果实目标的中心点距离、预测框宽高实际差值与面积交并比三者共同考虑为损失项,提升预测框实际尺寸精度,再利用中心点距离作为惩罚项加权面积交并比得分,提升密集目标的识别能力,最后通过设置辅助训练头,提供更多的梯度信息以防止过拟合现象。通过多种损失函数损失值对比与模型改进精度对比试验证明改进有效性,部署至机器人验证可行性。结果表明,改进后的算法模型识别平均精度95.6%,召回率达到90.1%,相较于改进前全类精度提升0.4个百分点,召回率提升0.4个百分点,满足采摘机器人识别需求。

融合位置注意力机制与轻量化STDC网络的非结构化场景语义分割

近年来,非结构化道路分割已成为计算机视觉领域的重要研究方向之一.现有的大多数方法适合结构化道路的分割并无法满足非结构化道路分割的准确性与实时性需求.为了解决上述问题,本文对STDC网络进行改进,引入残差连接来更好地融合多尺度语义信息,还提出一种嵌入位置注意力模块的空洞空间卷积池化金字塔(PAASPP)来增强网络对道路等特定区域的位置感知能力.本文在RUGD与RELLIS-3D两个数据集上进行实验,所提出方法的MIoU在两个数据集的测试集上分别达到了50.78%和49.96%.

非结构化场景下的无人车轨迹规划研究

针对传统无人车轨迹规划算法在非结构化场景下存在实时性较低和轨迹平滑性较差等问题,提出了一种前后端分离的轨迹规划算法。该算法的前端路径搜索部分对Hybrid A*算法在控制空间进行搜索范围的剪枝且保留了车辆的运动学约束,并通过优化启发函数的计算方式,提高了图搜索的实时性。该算法的后端轨迹优化部分分为两个阶段:第一阶段设计了一个软约束非线性多目标优化器对路径进行局部优化,生成离散的轨迹位姿点和时间分配值;第二阶段基于五次样条曲线利用最小化Jerk的思想对离散位姿点进行平滑连接,提高了轨迹的平滑性。最后在室外停车场环境下对所提算法进行了实车测试,前端路径搜索和后端轨迹优化的实验结果表明该算法具有较高的实时性和轨迹平滑性。

非结构化网格下海洋流场的特征提取与种子点选取算法

对于非结构化网格流场数据,现有研究存在不能定位流场中临界点的具体位置、无法对临界点精细分类以及缺乏适用于非结构化网格的种子点选取算法等问题。针对上述问题,基于非结构化网格流场数据,分别在临界点提取和种子点选取方法上进行改进创新。提出非结构化网格中临界点的定位及分类方法,通过庞加莱指数法判断存在临界点的三角网格。构造质心迭代法定位临界点在网格中的准确位置,并设计三角网格内雅克比矩阵的构造方法,将临界点精细分类。基于非结构化网格提出基于最大得分和网格密度的种子点选取算法,先比较相邻格点的标量值大小来计算每个格点的得分,形成“最大得分”标量场,再按照网格密度动态设置阈值,将得分大于阈值的格点选为种子点,接着以种子点为起始点生成流线,生成的流线可以表达出流场的关键特征与全局信息。基于多个海域流场数据的实验结果表明,临界点分类的准确率可达99%以上,证明了临界点提取算法的准确性以及种子点选取算法对提升流场可视化效果的有效性。

非结构化高维大数据异常流量时间点挖掘算法

非结构化数据的维度较高,每个样本数据包含的特征非常多,导致了维度灾难问题,使得降低维度并保持有效特征提取难度较大,影响大数据流量异常时间点挖掘的精度。为此,提出新的基于空间映射的非结构化高维大数据流量异常时间点挖掘方法。通过近似解集的几何特征建立稀疏回归模型,求解高维目标空间映射到低维目标子空间的稀疏投影矩阵。根据密度分布选择出一个高密度集合作为聚类中心的候选集,确定聚类的初始聚类中心。同时对聚类形成的各个簇采用剪枝算法,选择时间点候选集,对候选集展开二次判断,挖掘高维大数据流量异常时间点。实验结果表明,数据的降维能有效提高流量异常挖掘精度。相比之下,所提方法的高维大数据流量异常时间点挖掘更加精准,耗时更短。

具有双重松弛项的改进惯性近端交替方向乘子法在结构化非凸和非光滑问题中的应用

针对结构化的非凸非光滑优化问题,提出了一种改进的惯性近端交替方向乘子法(Modified Inertial Proximal Alternating Direction Method of Multipliers, MID-PADMM)。该问题在多个领域,包括机器学习、信号处理和经济学中具有重要应用。现有算法在处理这类问题时,往往面临收敛速度慢或无法保证收敛的挑战。为了克服这些限制,引入了一种双重松弛项,以增强算法的鲁棒性和灵活性。理论分析表明,MID-PADMM算法在适当的条件下能够实现全局收敛,并且具有O(1/k)的迭代复杂度,其中k代表迭代次数。数值实验结果表明,与现有的状态最优算法相比,MID-PADMM在多个实例中展现出更快的收敛速度和更高的求解质量。

油气田非结构化成果数据库设计

当今对于石油行业这些将信息视为命脉的企业来说,如何对非结构化数据进行合理的存储和管理成为值得关注的问题之一。目前,国外油气田非结构化业务成果展示基本分散在不同的专业软件中,没有提供集中统一的Web端展示。而国内油气田非结构化业务成果展示也分散在不同的专业软件中。换句话说,国内油气田非结构化成果数据库平台亟待开发。因此,文章旨在研究和设计油气田非结构化成果数据库,同时围绕数字油田具体的应用需求,对系统中涉及的一些关键点进行了深入研究。

面向非结构化数据的情报分析方法体系框架研究

[目的/意义]大数据驱动的情报分析应充分挖掘海量、异构、动态的非结构化数据中蕴含的价值。通过完善面向非结构化数据的情报分析方法体系,促进新技术、新算法和新模型与情报分析相融合。[方法/过程]基于文献调查、对比分析、系统分析等方法,总结归纳非结构化数据给情报分析带来的挑战。在方法体系解构及要素分析基础上,梳理现有情报分析方法,提出了面向非结构化数据的情报分析方法体系框架,在产业技术情报分析中介绍了体系的应用方案。[结果/结论]基于流程说视角,完善和总结面向非结构化数据的情报分析方法体系框架,从文本数据、网络数据、图像数据和语音数据4类非结构化数据入手,从数据源、数据采集、数据存储、数据处理、数据分析和可视化展示6个方面阐述了基于非结构化数据的情报分析思路和模式,推进情报分析领域多源异构数据的融合应用。

点云空间与反射强度融合的非结构化道路可行驶区域检测

可行驶区域检测旨在检测和提取智能车辆在道路上可行进的区域,目前主流的检测方法主要基于三维激光雷达的空间特征实现,难以处理路面边缘无清晰空间特征的非结构化道路.为此,本文提出了一种基于点云空间和反射强度融合的非结构化道路可行驶区域检测方法.首先,通过融合反射强度因子改进了基于空间特征的柱坐标系检测模型;然后,使用强度和降维空间检测对检测精度较低的环形检测模型进行优化,并将其与柱坐标系检测模型联合使用以提高方法检测准确率;最后,在自录实际道路数据集上进行对比实验.实验结果表明本文方法显著提高了非结构化道路可行驶区域检测的成功率与精确率,在结构化道路上也具有良好效果.

基于深度学习的非结构化医学文本知识抽取

为解决一词多义和关系重叠问题,以糖尿病领域文本数据为对象,基于序列标注的新型标注策略,提出一种轻量级端到端神经模型。采用头部实体优先策略,使用BERT获取输入字向量,通过BiLSTM深度学习捕获时间特征和上下文相关性。引入multi_head attention机制,采用CRF模型根据相邻标签的相互依赖关系得到最优预测序列。旨在将非结构化的医学文本转换成结构化的数据,在阿里云天池中文糖尿病标注数据集上进行综合实验,实验结果表明,该模型在医学文本知识抽取中具有优越的性能。

改进SOLOv2的非结构化道路图像实例分割

针对非结构化道路图像中多个目标重叠且间尺度差异较大等,容易漏检或错检,分割精度不佳等问题。提出一种改进的SOLOv2实例分割算法。首先在特征金字塔结构添加自底而上增强路径以减少特征传递过程的损失,其次使用双重注意力指导特征选择,自适应地选择重要特征,抑制冗余信息,提升细节特征的提取能力,增强类别分支和掩膜分支的特征表示,进而提高掩膜预测的准确率。此外,对非结构化道路图像数据集进行预处理操作,提高模型的泛化能力。实验结果表明,本方法对实例边界把控更为精准,对比SOLOv2和Mask-RCNN平均精度分别提高2.0%、2.2%,检测帧率提高到6.1帧/s,在不同环境下均具有良好的分割性能。

基于改进人工势场法的非结构化道路路径规划

自动驾驶车辆在园区内的非结构化道路会车避让时常因距离过小而无法顺利会车。针对这一问题引入改进的人工势场法。首先,增加道路边界斥力势场和车道中心线势场以保证车辆不会驶出道路边界和驶回原有道路;其次,为解决难以实现会车问题,在车辆前进方向和障碍物的碰撞范围外设置临时目标点,避免因势场合力为零无法规划路径。此外,引入障碍物动态斥力势场,根据障碍物的当前位置和速度,可以预测未来一段时间内障碍物的位置,将障碍物速度斥力与传统的静态斥力场相结合,得到最终的斥力场。仿真表明,引入的改进人工势场法在非结构化道路中会车避让的通过时间缩短了约34%。

面向非结构化环境的移动机器人路径规划

针对移动机器人在非结构化环境中路径规划转折点较多、运动效率低与实时避障问题,提出基于改进A*算法融合动态窗口法(DWA)的移动机器人路径规划算法。首先,优化A*算法启发函数,针对估计代价值引入动态权重系数w(n),提高路径规划算法搜索效率;然后,基于梯度下降算法与SG滤波算法对全局路径进行平滑处理;最后,在全局路径规划的基础上引入DWA算法,提高移动机器人的全局路径规划能力和实时避障能力。实验结果表明,融合算法在提高路径规划搜索效率、平滑路径曲线、动态实时避障等方面具更优的效果。

大规模非结构化数据资源快速存储方法研究

非结构化数据资源具有较高的研究价值,伴随着信息化技术、互联网技术应用范围的扩大,非结构化数据资源规模随之增大,对其存储技术提出了较大的挑战,因此提出了大规模非结构化数据资源快速存储方法,采用层次聚类算法分组处理非结构化数据资源。以某一组非结构化数据资源为对象,结合数据资源传输距离、节点能量、传输方向等因素,确定非结构化数据资源转发路径,描述非结构化数据资源存储过程,制定分层扩展存储机制,从而实现大规模非结构化数据资源的快速存储。实验数据表明,在不同实验工况背景下,应用本文方法后获得的非结构化数据资源存储速率最大值为1920 MB/s,非结构化数据资源存储位置准确性最大值为98%。

基于深度学习的非结构化大数据密度聚类仿真

常规的非结构化大数据密度聚类方法耗时长,且易出现数据密度分配错误的情况,影响数据聚类精度。因此,提出一种基于深度学习的非结构化大数据快速密度聚类方法。采用数据密度函数求解每个非结构化大数据密度值,使用邻近搜索技术找出各簇最佳中心,选用Alex Net网络建立数据聚类学习框架,利用映射方式提取数据特征矢量,通过损失函数得出伪标签并作为反向传播依据。为了提升模型聚类速度及精度,引入小批量梯度下降优化聚类模型参数,实现非结构化大数据密度聚类。实验结果表明,所提方法能够使密度相似数据紧密、密度相差较大数据稀疏,令数据密度聚类效果良好。

基于迁移学习的非结构化大数据缺失值插补算法

针对数字信息产生的海量、多角度的非结构化大数据,由于外界干扰、数据结构损坏等因素造成其信息丢失问题,提出了基于迁移学习的非结构化大数据缺失值插补算法。通过迁移学习算法,预测非结构化大数据缺失部位,利用朴素贝叶斯算法分类数据特征,度量属性间权重值,明确数据类别特征差异向量,辨别特征差异程度。采用核回归模型对数据缺失部分实施非线性映射,经过多项式变化编码,描述数据的跨空间互补条件,完成非结构化大数据缺失值插补。实验结果表明,所提算法可以有效完成非结构化大数据缺失值插补,具有较好的插补效果,能提高插补精度。

非结构化道路条件下单目视觉实时测距研究

为了自动驾驶汽车能够在非道路条件下进行有效的防碰撞,提高智能汽车安全性。论文通过对传感系统中的单目摄像头对前方物体的测距方法进行研究,来提高车辆在非结构化道路上的安全性能。对单目摄像头的标定采用了基于两个灭点的标定方法的数学模型,使用了针孔透视模型来成像以及单帧静态图像测距模型来计算前方物体与本车距离,加强图像的稳定性使用了RANSAC算法,Prescan和Simulink进行仿真试验,最后进行实车在非道路条件下的实时测距试验。试验结果表明:汽车在非结构化道路化的条件下行驶摄像头能进行实时测距。

电网OA系统非结构化文档内容自动化识别技术

针对电网OA系统内存在大量的非结构化文档难以识别的问题,研究电网OA系统非结构化文档内容自动化识别技术。采用非直接转换方法,将非结构化数据先转换为采用XML文件承载的不完全结构化数据,利用SAX解析工具解析不完全结构化数据,采用Simhash算法对文本信息进行去重处理;采用TextRank算法提取文本内的关键词,根据关键词识别电网OA系统非结构化文档内容。测试结果显示,在海明距离与相似度阈值分别为10和70的条件下可获取较好的去重效果,关键词提取效果较好,具有推广价值。

基于视觉的非结构化道路识别综述

非结构化道路识别在无人驾驶中是一个具有挑战性的问题,涉及到道路本身类型不固定、形状不规则、表面不平整和边界模糊等复杂性。为了全面了解基于视觉的非结构化道路识别方法和研究现状,通过文献综述分析了3种主要的道路识别方法,分别是基于道路特征、基于道路模型和基于机器学习的方法。同时,整理了当前常用的非结构化道路开源数据集。结果表明基于道路特征和基于道路模型的方法计算复杂度高且识别精度较低,基于机器学习的方法能够显著提升识别精度,但也存在数据需求量大、训练时间长和可解释性差等问题。