基于视觉理论的动态点云剔除算法

针对动态场景下构建的点云地图中包含大量动态目标的错误点云问题,提出一种基于视觉理论将三维点云转换视觉图像的动态点云剔除算法。通过对当前帧和包含动态点云的噪声地图做点云的地面分割和高度分割,将点云的深度信息转换成视觉可用的图像信息,利用视觉理论中的背景差分法对当前帧和噪声地图进行深度图像对比,筛选出初始动态点云并计算动态分数;根据动态分数对初始动态点云进行自适应最近邻搜索以剔除动态目标。实验结果表明,所提算法的动态点云剔除率可达94%以上,整体得分为96.34,能有效剔除场景中的动态目标。

淮安市公园绿地空间分布及其可达性分析

利用高德地图公开的公园兴趣点数据、天地图在线影像以及淮安市第七次人口普查数据,使用平均最近邻指数、标准差椭圆分析法、地理集中指数和网格化的高斯两步移动搜索法等多种方法研究淮安市绿地空间的分布、变化趋势,并对可达性进行评价。通过卫星影像解译提取研究区绿地面积,发现淮安市绿地数量上以小型点状绿地为主、面积上呈现以大型点状绿地占主导的分布格局;研究区绿地呈聚集态势;绿地呈现东北-西南方向的分布;各区的绿地分布不平衡,呈现集中特征;可达性是以公园绿地为中心,具有明显的“圈层式”分布特征,高值区出现在中间区域,即主城区,可达性范围在0—1303.56之间,仍有较高水平。认为淮安市绿地分布呈现明显的聚集特征,分布不均衡,且具有较高的可达性。

最近邻搜索用于分类问题的一种改进

最近邻搜索广泛应用于分类问题,其最显著的优点是分类准确率高、泛化性能好.但现有最近邻分类算法都存在着一个弱点——样本集增大分类计算量也显著增大.为了克服这一不足,本文基于一个新的思路,提出了最近邻分类方法的一种改进方法.该方法在进行最近邻分类时,不一定要找到待分类点的最近邻点,而只要知道最近邻点的类别即可,大大地减少了最近邻搜索时的计算量.用经典的分类问题双螺线问题(TSP)以及其他几个例子,就该改进方法的分类效果、分类速度和学习性能等3个方面进行了测试,并与经典的K维双叉树(KD树)最近邻搜索法以及压缩近邻法进行了比较.结果表明,就综合性能而言,本文改进方法是有竞争力的.

一种新的构建Voronoi图的栅格方法

鉴于构建复杂发生元的 Voronoi图的矢量方法的困难性 ,提出了一种新的栅格方法 .该方法是通过确定每个栅格的归属来定义 Voronoi区域 .为了减少计算时间 ,设计了一种搜索某个栅格所属最近发生元的方法 ,它是根据对于该栅格而言发生元栅格所处的象限位置来计算的 .利用了地理信息系统软件 Arc/Info的功能模块 Grid来实现矢—栅数据、栅—矢数据的转换和图形显示 .该方法是实现发生元为任意复杂图形的 Voronoi图的一种有效方法 ,与矢量方法相比只有一个栅格的误差 ,其计算机时随着栅格变小而增加 ,但随着发生元所占栅格数量的增加而减小 .

考虑客户满意度的同时收发车辆路径问题

当客户要求车辆一次性完成发送以及收集货物的任务时,只需考虑车辆的路径安排即可。但若客户进一步提出在时间窗内完成的话,就必须考虑客户的等待时间——客户的满意度的衡量标准,等待时间越短满意度越高。因此问题的目标为最小化车辆路径总长度、最小化所有客户等待时间之和。本文通过加权转变为单目标函数,由最邻近法及最廉价插入法得到初始解后经过禁忌搜索算法可得到改进算法,解并通过实例对不同权参数的情况进行了比较。

舱外航天服手臂的逆运动学解法

针对航天服手臂的特殊软关节结构和多自由度的特点,提出了基于最近邻的快速逆运动学解法,该方法保证在任何测量位置都能得到航天服关节角度的近似解.采用空间分块二步搜索策略,解决了基于最近邻方法求解舱外航天服手臂逆运动学中内存占用量大和效率低的缺点.仿真结果表明,最近邻的快速逆运动学解法在计算精度和实时性上均能满足测试系统的要求.

一种求解作业车间调度问题的文化遗传算法

针对传统遗传算法缺乏有效指导,容易陷入局部极值的缺点,提出了以一种采用种群空间和信仰空间的双层进化结构进行寻优的作业车间调度算法。该算法针对调度问题的特点,以遗传算法为主群体空间,利用优良调度方案的知识信息构成信仰空间。为充分利用父代个体的优良特征加速收敛,算法采取不同的策略在主群体空间中指导遗传操作,在选择操作中引入k近邻法的思想进行动态学习,在变异操作中通过选择合适的变异点进行邻域搜索变异。典型算例的仿真实验与分析表明,算法在计算效率和求解质量上均具有较好的效果。

基于SIFT算法的电动车充电孔双目视觉识别技术

基于双目视觉理论提出一种适用于不同光强、背景和任意形状充电插孔的高精度充电孔识别与定位方法。采用SIFT特征提取算法生成高斯差分金字塔进行尺度空间构建,应用机器学习最近邻搜索特征匹配算法获取匹配点映射集合,并配合半全局匹配方法进行视差计算得到高精度充电孔匹配和定位结果。通过试验验证了所提算法的有效性,得到了较为理想的匹配与测距结果。

一种改进的K-均值聚类分形编码方法

为了解决分形图像编码耗时过长的问题,该论文主要研究了基于K-均值聚类的快速分形编码算法。首先引入方差法将子块分为简单块和复杂块,随后采用K-均值聚类算法对复杂子块及父块进行分类,并在搜索匹配父块的过程中运用近邻搜索法,使得相应子块仅在近邻范围内与同类的父块进行匹配运算。该方法对匹配块的搜索过程进行了优化,大幅度减少了编码时间。测试结果表明,与基本分形编码算法相比可提速多倍,并且其重构图像效果较好。

旅行商问题的较优可行解的搜索算法的设计

利用问题本身的特点和相关的已有结论,结合最近邻法和深度优先搜索算法设计了产生旅行商问题较优可行解的方法。首先,将与每个城市关联的城市由近到远排序,并将城市之间距离较远的边删除。然后选择一个城市作为出发地,按排序利用深度优先搜索算法在有限步内搜索可行解。若搜索到多个可行解,从中选择较优的作为以该城市为出发地的可行解;否则,重新选择出发地开始新的搜索。对经典的st70、a280问题依次将每个城市作为出发地进行实验,该方法产生的可行解的性能明显优于随机搜索算法,但仍不及最近邻法。

异步串行通信接口位置特征自动匹配优化方法

当前的通信接口特征匹配过程忽略了对各接口时间匹配序列的建立,无法获取特征提取的自变量,导致传统方法的通信接口处理器特征匹配效率偏低。为此,提出基于异步串行通信接口处理器的匹配优化方法。通分析通信接口的特征变量分布,建立基于各接口下时间匹配序列,计算对应模糊指数,得出特征提取自变量。基于此,通过异步串行矩阵分辨跟随自变量而变化的因变量特征点,利用快速最近邻搜索方法寻找所有邻近特征点,判定所有点位置及分布方向,计算水平及垂直方向的梯度,根据直方图对位置方向表达一致的特征点实现一一配对,至此,完成特征匹配优化。仿真实验证明,所提方法不仅匹配效率较优,且针对大规模的数据特征集也具有较好的稳定性。

基于双边最邻近搜索的光条中心线提取方法

线激光三维扫描系统中,灰度重心法作为光条中心线提取常用算法,具有速度快,计算简单等特点,为提高灰度重心法定位精度,往往需要计算中心线局部法线方向,而现有局部法线计算方法引入大量复杂计算,不利于算法整体性能提升。为此,提出光条双边最邻近搜索方法,实现简单、快速的局部法向计算。该方法先通过光条梯度局部极大值获取光条双边缘;再对左右双边缘采用最邻近搜索算法快速获取局部法向;最后,根据局部法向逐行进行灰度重心法计算,获取各行激光中心点亚像素坐标。实验结果显示,该方法中心线提取均方根误差为0.00496 pixel,相较于传统的Steger算法以及灰度重心法,不仅具有更好的中心线提取精度,同时也具备优秀的提取速度。

基于IK-medoids算法的飞机油耗聚类方法

为了分析给定外界条件下的飞机燃油消耗,提出了一种基于距离最大法的邻域搜索K-medoids聚类算法(IK-medoids)。基于距离最大的样本不可能被分到同一类簇的思想,该算法首先采用距离最大法选取初始中心,并根据剩余样本与初始中心之间的标准欧氏距离计算初始中心邻域;然后利用提出的一种近邻搜索策略进行初始中心的迭代更新,直到中心点不再发生变化。在同一机型和航段、不同大小的数据集上进行对比实验,根据起飞重量、巡航高度、实飞距离以及飞行环境等特征对飞机油耗进行精准分类。实验结果表明:相对于传统的改进K-medoids算法,IKmedoids算法在有效缩短分类时间的同时保证了聚类准确率,为进一步分析飞行过程中的燃油消耗提供了新视角。

深度学习哈希综述

深度学习哈希技术将哈希方法与深度学习技术相结合,获得原始数据的特征表示以及语义信息,进而得到数据的二进制哈希码.深度学习哈希方法被广泛应用于图像检索、文本检索以及视频检索等领域,并取得了瞩目成果.本文首先对深度学习哈希方法的研究进展以及方法的基本框架进行了介绍;然后详细阐述了深度学习哈希方法的多种目标函数项,包括重构误差、位平衡、位独立、哈希约束、参数正则化和稀疏性限制等;并根据样本标签的个数(无标签/单标签/多标签)以及输入形式(单样本/二元组/多元组)对该方法进行分类;最后总结了现有深度学习哈希方法的不足以及未来的发展方向.

量化误差的索引检索方法

为了提高乘积量化的近邻检索方法的检索精度,本文提出了量化误差的索引检索方法。该方法以子空间量化误差为依据进行子空间码字的选择,以获取高质量的乘积量化候选码字,提高基于乘积量化的近邻检索方法的检索精度。最后,通过把索引检索方法应用于5种基于乘积量化的索引结构上,在3个基准数据集上进行实验。实验结果表明,索引检索方法可以提高检索精度的有效性。

结肠癌基因表达谱的特征选取研究

为了找到与结肠癌相关的基因,提高结肠癌样本的识别率,提出了基于Chernoff距离的浮动顺序搜索算法(sequential floating search method,SFSM)。通过对结肠癌基因表达谱数据集的分析,对每个基因进行评价和筛选;对筛选后的基因子集利用SFSM算法进行搜索,并以Chernoff距离作为其评估函数,生成若干候选特征基因子集;利用支持向量机(support vector machine,SVM)、K-近邻(K-nearest neighbor,KNN)和径向基(radical basis function,RBF)神经网络分类器来检验候选特征基因子集的分类效果。实验结果表明,利用SFSM及评估函数Chernoff距离发现在参数β=0.25时能找到最佳的特征基因组合,该组合能以很高的正确率识别结肠癌样本。