E-Learning环境下基于知识点偏好的学习社区组建

在对在线学习者的个性化信息进行抽象、合理描述及分析的基础上,提出描述学习者在学习过程中的本体模型及本体推理规则;在结合虚拟学习社区和知识导航的服务下,借助Protégé、JSP和Jena编程技术,实现基于本体并具有组建虚拟学习社区和知识导航功能的E-Learning原型系统。实验表明,所提出的建模方法有利于进一步建立基于知识偏好的学习社区。     

无人地面车辆车道级路径引导方法

针对无人地面车辆对高精度电子地图的需求和在结构化道路环境下的导航要求,基于多传感器信息融合构建了车道级的电子地图,并基于该电子地图提出了一种车道级的路径引导算法．首先,利用数据采集平台采集多传感器的数据,并对采集到的数据进行融合来构建车道级的电子地图,并进一步根据交通规则生成道路和车道线;接着,根据不同地理对象所反映的不同特征设计了其属性表;然后,根据结构化道路环境的特点提出了一种全局路径规划策略;最后,针对无人地面车辆遇到障碍物需要对全局路径进行修正的场景,提出了一种基于代价地图的修正方法,指导车辆完成避让．跑车实验和中国智能车挑战赛比赛结果表明,文中提出的高精度电子地图和路径引导方法能满足无人地面车辆在结构化道路环境下的导航需求,能够为无人地面车辆安全、快速行驶提供可靠的指导和保障．     

基于认知导航模式的企业知识网络

针对知识网络无序化﹑知识学习和产品设计过程中容易迷失方向等问题,将认知地图作为知识表达工具和认知导航工具引入知识网络.提出构建认知地图模型的方法,通过加权综合计算,得到结合各专家知识的较权威的认知地图.在该认知地图基础上,构建基于认知导航模式的知识网络,引导用户进行知识学习和产品设计.用户可以在自己相应的认知范围内检索指定认知度、认知关联度和重要度的知识,从而过滤大量无用的知识,得到最符合用户认知水平的知识.利用Web2.0技术,在相应知识节点中进行知识发布和知识评价,进一步扩充知识网络.实例证明,该知识网络具有认知导航功能,避免了知识的盲目搜索和学习.     

家庭陪护机器人自主充电系统研究与设计

针对家庭陪护机器人电池容量有限,工作环不连续的问题,设计一种基于机器人操作系统(robot operating system, ROS)的家庭陪护机器人自主充电分级对接系统。采用卡尔曼滤波算法将编码器数据和惯性测量单元(inertial measurement unit, IMU)数据进行融合,同时结合激光雷达数据并基于Rao-Blackwellized粒子滤波即时定位与构图(simultaneous localization and mapping, SLAM)算法构建环境二维栅格地图;采用A^*算法和动态窗口(dynamic window approach, DWA)算法进行全局路径规划和局部路径规划,使机器人行驶至充电站附近或所在房间;采用基于双重优先级的红外导航对接算法引导机器人驶向充电站,完成与充电站的精确对接。试验结果表明,该系统有效地解决了传统方法中充电距离有限的问题,并且具有较高的对接效率、成功率、准确度和环境普适性,完全满足家庭陪护机器人的充电需求,具有较好的应用价值。     

自主视觉导航方法综述

为深入研究视觉导航方法,对自主视觉导航方法进行了综述。阐述了视觉导航方法的分类方式,并按照视觉导航系统对地图的依赖性进行分类（即基于地图的视觉导航、地图生成型视觉导航和无地图型视觉导航）,对视觉导航的发展进行综述;给出了视觉组合导航系统的发展现状。对近年视觉导航领域文献的分析表明,视觉导航的研究热点在向智能化和多传感器融合方向延伸。     

基于分布式导航信息的大范围环境机器人导航

针对大范围半未知环境下的机器人导航问题,基于认知理论提出了“分布式导航信息获取模式”。采用二维码技术设计了一种新型人工地标,并给出了其识别及识读的方法。通过在关键点位置配置不同的人工地标,基于导航信息的分布式表达,将大范围半未知环境下的机器人导航划分为全局引导层和局部搜寻层,使机器人在大范围半未知环境下的导航摆脱了传统的地图创建-全局定位-路径规划模式的限制。实验验证了该导航方法的有效性。     

实际环境中基于深度Q学习的无人车路径规划

实际交通环境规划最优路径的重要问题是无人车智能导航, 而无人车全局路径规划研究主要在于模拟环境中算法求解速度的提升, 考虑大部分仅路径距离最优或局限于当前道路的自身状况, 本研究针对实际环境中的其他因素及其未来的变化和动态路网中无人车全局路径规划的复杂任务, 基于预测后再规划的思想提出面向实际环境的无人车驾驶系统框架, 并结合深度Q学习和深度预测网络技术提出一种快速全局路径规划方法(deep prediction network and deep Q network, DP-DQN), 从而利用时空、天气等道路特征数据来预测未来交通状况、求解全局最优路径。基于公开数据集的试验和评价后发现, 本研究提出的方法与Dijkstra、A^*等算法相比, 行车时间最高降低了17.97%。     

基于A*算法的楼宇环境中移动机器人的路径规划

以A*算法为基础,在静态地图上初步规划出楼宇环境中移动机器人的全局路径,然后基于可视图法思想,采用无障碍拉直法(NOD)和拐点采集法(INC)的优化方法对路径进行了优化.以优化后路径的拐点作为局部规划目标点,再结合超声和红外传感器提供的信息,提出了一种以目标导向决策(TOD)和最近方向判决(COD)为原则的局部避障算法.综合以上全局路径规划和局部路径规划的控制方案,对移动机器人UP-VoyagerⅡ在楼宇环境中进行了地图导航控制试验,取得了理想的效果,验证了控制算法的可靠性.     

自主水下潜器全局规划及其仿真方法研究

应用遗传算法设计出二维/三维全局规划器,用于解决自主水下潜器在大范围海洋环境中自主全局路径规划的问题.规划空间采用栅格法离散建模,染色体采用十进制可变长编码方式,基于领域知识设计了初始种群生成算法和五种遗传算子;基于三维建模软件与视景技术建立了半实物虚拟仿真系统,通过设计不同的使命案例对全局规划算法进行了仿真验证.结果表明:该规划算法具有路径描述简单清晰、算法收敛速度快、求解效率高的特点,满足了使命规划的安全性和可行性要求.     

基于ARM-Linux导航电子地图数据模型

为满足嵌入式系统中导航需要,对基于ARM-Linux系统下实现地图导航的地图数据组织模型进行了研究.根据嵌入式地图导航系统的需求及嵌入式系统的特点,分别从纵向上基于功能和横向上基于地域进行数据分层,采用多文件分块分层实现数据的存储,并针对各个功能提出了4种检索方法进行快速检索.基于图形化转换软件设计,成功地实现了各个地图数据文件的输出,在嵌入式ARM平台上基于QT/Embedded开发地图软件进行试验.结果表明,该导航电子地图数据组织模型在满足导航系统性能需求的基础上,能较好地支持导航系统主要功能的实现,适合于导航服务系统.     

Multi-action-based approach for constructing knowledge map

To alleviate the information overload in the product design process, this work proposes a multi-action-based method for constructing knowledge map. Since the relationships of knowledge are implicit in the collected user activities, the method calculates the similarity according to the collected user activities. Three concepts, including knowledge, action and user, are explained first. Based on this, the similarity calculation method is illustrated in detail. The dependencies of actions and relations of the user are considered in the calculation method. Further, the approach of applying the constructed knowledge map to alleviate information overload is proposed. At last, the proposed method is validated by a knowledge search and result comparison experiment.     

基于人工神经网络的知识求精方法

将神经网络用于知识求精的主要局限性,是训练时不能改变网络的拓扑结构。本文根据结构学习算法提出了一种基于神经网络的知识求精方法,训练时采用动态增加隐含节点和网络删除改变拓扑结构,然后提取求精后的规则知识。大量实例表明,该方法是有效的。     

基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建

高分辨率磁共振图像对于医学诊断具有重要意义,本文提出一种多分辨率学习卷积神经网络,并应用于磁共振图像超分辨率。网络是一种新型深度残差网络,包含用于特征提取的残差单元、多分辨率上采样的反卷积层以及多分辨率学习层。设计的网络在低分辨率图像空间中实现图像超分辨率,采用多分辨率上采样实现多个残差单元信息融合并加速网络,多分辨率学习能够自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。实验表明,论文提出的方法能够很好地超分辨率重建磁共振图像,优于最新的深度学习方法。     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

基于神经网络的IDS网络行为学习算法

针对竞争层中存在的容易陷入局部极小、可能丢弃局部较理想的神经元问题,提出了增加／删除竞争神经元的神经网络。它采用基于Hebbian假设的非监督学习算法对网络行为进行学习,并根据相似度确定奖励和惩罚的等级。在学习过程中根据需要增加神经元以形成新的聚类,在学习结束后删除错误的聚类,从而避免了死神经元问题,使聚类更加准确。     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

自适应子波神经网络数据挖掘方法

分析了人工神经网络所依据的生物学基础,探索改进与完善网络模型的途径,将子波与巳有的神经网络模型相结合,提出一种基于自适应子波神经网络的数据控制方法,并依此来构造数据挖掘过程的机器学习机制,以求提高对问题的处理能力,数据挖掘的仿真实例表明,与一般的人工神经网络相比,用自适应子波神经网络进行数据挖掘不仅是有效的,而且也是可行的。     

非凸多目标主从向量集值优化锥有效解的最优性条件

运用凸集分离定理对广义锥次类凸集值映射建立了一种择业一性定理。引入向量优化弱Ｂｅｎｓｏｎ真有效元的概念,对带约束的非凸向量集值优化问题建立在弱Ｂｅｎｓｏｎ真有效意义下有效元应满足Ｌａｇｒａｎｇｅ乘子型垢必要及充分条件,并用这一结果建立了多目标主从非凸向量集值优化在弱Ｂｅｎｓｏｎ真有效意义下最优解的Ｌａｇｒａｇｎｅ乘子型充要条件。     

基于粒子群优化的频域多信道干扰对齐算法

针对频域干扰对齐系统解空间的多峰值特性,提出了一种基于粒子群优化,以系统网络和速率为优化目标函数的干扰对齐全局搜索算法.该算法通过对速度向量在位置向量的法平面上做投影以加强全局搜索能力,并在粒子群标准位置更新的基础上增加沿目标函数梯度方向的学习搜索来提高算法收敛速度和趋向全局最优值的能力.数值仿真结果表明,该算法可以获得比现有算法更好的网络和速率性能.