未知环境中移动机器人并发建图与定位(CML)的研究进展

综述了近年较流行的CML方法 ,侧重比较各自估计与增量式建造地图的过程以及如何处理不确定信息、如何表示地图 .还对CML问题的难点进行了分析 。

分类器融合中模糊积分理论研究进展

将模糊积分理论与多分类器融合方法中其他两种研究热点方法进行了比较.介绍模糊积分的基本模型及通用求解过程.讨论目前分类器融合领域模糊积分理论的几个研究方向的发展现状和面临的问题,分析模糊积分理论基本模型和几种扩展模型的求解算法.提出了分类器融合领域模糊积分理论未来理论和应用研究中的开放课题.

基于模糊积分的客户分类不确定性优化研究

数据挖掘技术为高效的客户分类提供了强大的支持,然而仅依靠这门技术并不能很好地完成这项任务。因为分类方法的局限性,现实数据存在信息的不确定、不完整、先验知识缺乏,研究对象的复杂性等困难导致的分类不确定性。从这个角度出发,将模糊积分融合方法与数据挖掘技术结合来减小客户分类的不确定性,提出了一种模糊密度修正方法,它利用了训练样本先验静态信息和各分类器识别结果包含的动态信息对模糊密度进行自适应动态赋值。仿真结果表明了它的有效性。

两种模糊密度确定方法的实验比较

信息融合方法是减少决策不确定性的有效途径和热点问题.本文研究模糊积分信息融合方法中的重要问题-模糊密度的确定方法,对其中两种典型的确定方法进行了细致的比较研究.基于公开而有效的13个UCI标准数据集,进行了成员分类器选择实验、不同融合方法比较实验等,并采用了描述分析、秩次分析、探测性显著性分析,最后与文献[4]中最优单分类器、文献[5]中Bagging,Boosting and random forests的最优融合结果进行了对比.结果显示,基于可能度的模糊积分方法优于基于可信度的模糊积分方法、优于文献[5]中最优融合结果;基于可信度的模糊积分方法与文献[5]中最优融合结果总体相当,优于简单平均融合方法,也优于文献[4]中最优单分类器.

多分类器融合框架下的模糊积分方法

随着信息融合技术的发展,多分类器融合技术逐渐由基于数据的融合向基于知识的融合发展。在基于知识的多分类器融合研究中,模糊积分方法是三大发展方向之一,它相对于其他两种方法具有独特的优势。本文对多分类器融合现状进行了分析,指出了模糊积分方法的进展和发展方向。

未知环境中基于视觉显著性的自然路标检测

自然路标检测是移动机器人在未知环境中表示与识别环境的基础,基于此,本文提出一种具有适应能力、基于视觉显著性的自然路标检测系统.设计了保细节采样策略.能够自行调节参数以适应各种环境纹理分析的 Ga-bor 滤波器,在多尺度空间上计算颜色、纹理的对比度,经综合处理得到描述路标可选区域的显著性指示图.实验结果表明本文算法在显著点检测方面具有较高的准确性,并且具有较高的重复检测能力,能够适应远近尺度、旋转和视角变化等自然环境识别要求.