基于PF-Net的点迹过滤算法

针对杂波环境下虚假点迹造成跟踪性能下降的问题,提出一种基于PF-Net的点迹过滤算法,并给出了从标注到训练的完整实现,降低了训练难度。首先利用K-Means算法根据点迹特征将点迹聚为有限个类,并根据聚类结果对点迹类别进行手动标注,再将标注好的数据作为PF-Net的训练集;训练完成后的PF-Net可用于点迹过滤与后续自学习。利用点迹特征参数标记目标点迹并滤除杂波点迹,能有效降低数据处理负荷,提升跟踪性能。虚假点迹剔除率超过75%,且真实目标点迹损失率低于2%。

棉花叶片三维点云几何形状补全

棉花是新疆主要的经济作物之一,采用三维重建法自动获取棉花植株的表型数据,对实时监测棉花生长状态具有重要意义。由于遮挡、光线、分辨率等限制,获取的棉花植株点云不完整,因此本研究使用基于深度学习的点云补全PF-Net模型,对不完整的棉花叶片点云进行几何形态补全研究。首先采集多视角的棉花图像重建三维点云,然后利用聚类、最远点采样、归一化和数据增强等方法构建棉花叶片点云数据集,将数据带入PF-Net模型完成棉花叶片点云几何形态补全。结果表明,3种不同程度的缺失数据(25%,50%和75%)补全后的点云模型倒角距离值分别为11.8×10^(-3),9.9×10^(-3)和10.8×10^(-3),且补全后的棉花叶片点云可以保持原有的几何形态。因此,通过点云补全算法提供棉花植株叶片的完整三维模型,对棉花植株表型自动测量提供完整几何信息具有重要意义。

具有特殊网σ-空间的研究(英文)

给出了一个强σ-空间是闭PF-网空间的充要条件,并且证明如果X是强σ-空间,且|X|<b,则X也是LF-网空间,其中■=min{|F|:F在(ωω,≤*)中无界}.本文的结果部分回答了Junnila与Yajima所提出的公开问题.

基于随机Petri网的乘积形式解存在判定

给出了一个判定基于随机Petri网(SPN)的乘积形式解存在的定理。利用该判定定理,可以发现两部件自动组装生产线模型具有乘积形式解,据此可画出该模型的状态空间图,然后根据局部平衡方程,就可得到此模型任意状态的稳定概率。

管道-过滤器风格的并行软件可靠性建模

当前基于体系结构的软件可靠性评估技术存在2个问题:不适合具有并行性质的软件和难以分析部件级的失效恢复行为。针对这2个问题,以管道-过滤器风格的并行软件为研究对象,该文使用基于时间的Petri网分析了管道-过滤器风格的并行软件运行阶段可靠性,并根据Petri网模型的特点,提出了一种分解模型和近似求解方法。数字实例证明了该方法的有效性和简便性。

基于随机Petri网的乘积形式解存在的一个充分条件

目前,判定一类随机Petri网(SPN)是否具有乘积形式解还没有比较好的方法。在这篇文章里给出了一个基于随机Petri网的乘积形式解存在的判定定理,它对于判定一些SPN模型是非常有用的。利用这个定理,可以发现两部件自动组装生产线模型具有乘积形式解,然后画出该模型的状态空间图,根据局部平衡方程,就可以得到此模型任意状态的稳定概率。

A Note about σ-locally Finite PF-regular Closed Net

If X = U{Xn: N} is a regular space, Xn has aσ-locally finite PF-regular closed net, and Xn is a closed subset of X for each n N, then X has a σ-locally finite PP-regular closed net;