基于场景模态深度理解网络的单目图像深度理解

基于深度卷积神经网络的图像处理方法得到的单目深度图像质量远高于传统图像处理方法,但该方法对无用特征的训练易产生误差积累,且基于回归求解的连续深度距离预测精度较低,导致图像深度信息提取不精确、目标边缘模糊与图像细节缺失。提出一种应用于单目彩色图像的场景模态深度理解网络。建立以堆叠沙漏为主框架的网络模型,通过反复进行自下而上和自上而下的特征提取过程融合低层次纹理与高级语义特征,在每层网络训练中结合离散的深度标签和真实深度图像降低深度理解难度,插入误差修正子模块和极大似然译码优化子模块以准确提取深度特征。实验结果表明,该网络获取的深度信息更准确,其在NYUv2数据集上绝对相关误差较ACAN网络降低0.72%,在KITTI数据集上均方相关误差较GASDA网络降低41.28%,与DORN等深度网络相比,其预测的深度图像包含更多细节信息且目标轮廓更清晰。     

全景相机与PTZ相机联动监控系统及位置关联模型

为实现大范围监视和指定区域精细观测与分析,提出一种全景相机与PTZ相机组合的联合监控系统.通过分析两相机安装的各种位置关系,建立起了统一位置关联模型.利用所建立的位置关联模型可方便地对监视场景的目标位置从全景图像到PTZ相机图像转换,为实现场景目标的联合监控奠定基础.实验结果表明,利用该模型所计算的水平、俯仰坐标相对于其实际测量值的平均误差均小于云台相机的实际控制误差,满足系统的联动控制要求.     

基于贝叶斯网络的时间序列因果关系学习

贝叶斯网络是研究变量之间因果关系的有力工具,基于贝叶斯网络的因果关系学习包括结构学习与参数学习两部分,其中,结构学习是核心.目前,贝叶斯网络主要用于发现非时间序列数据中所蕴含的因果关系（非时间序列因果关系）,从数据中学习得到的也均是一般变量之间的因果关系.针对这些情况,结合时间序列预处理、时间序列变量排序、转换数据集构建和局部贪婪打分-搜索等进行时间序列的因果关系学习;再将包括分段在内的时间序列预处理、时间序列段的因果关系结构学习、因果关系结构数据集构建、因果关系变量排序和局部贪婪打分-搜索等相结合,来进行元因果关系（因果关系变量之间的因果关系）学习,从而实现两个层次的时间序列因果关系学习,为进一步的量化因果分析奠定了基础.分别使用模拟、UCI和金融时间序列数据进行实验与分析,实验结果显示,基于贝叶斯网络能够有效地进行时间序列的因果关系和元因果关系学习.     

基于多补丁和多尺度层级聚合网络的快速非均匀图像去雾

尽管基于卷积神经网络的去雾算法在合成的均匀雾气数据集上已经取得了巨大进展,但在真实的非均匀有雾图像上仍然表现不佳.为了快速有效地去除图像中的非均匀雾气,文中首先提出了一种多补丁和多尺度层级聚合网络结构(Multi-patch and Multi-scale Hierarchical Aggregation Network,MPSHAN),融合了多补丁局部化信息和多尺度全局化信息.其次,提出了层级融合模块(Hierarchical Fusion Module,HFM),既解耦了残差融合以实现更丰富的非线性特征表达,又通过通道注意力机制提升了关键位置的特征融合质量.同时,对层级结构使用扩张卷积获得多尺度信息,增强特征图以优化融合效果.此外,在损失函数中加入频域损失以恢复更好的边缘质量.实验结果表明,所提算法在非均匀雾气图像上具有很好的鲁棒性,1200×1600高分辨率图像的平均处理时间仅有0.044s,相比其他去雾算法,其在图像去雾效果和运行时间之间实现了更好的平衡.     

正则稀疏化的多因子量化选股策略

针对高维度数据集特征之间的复杂性,而传统的L1惩罚项不满足Oracle性质的无偏性,将逻辑回归弹性网（LR-Elastic Net）中的L1惩罚项替换为SCAD（Smoothly Clipped Absolute Deviation）和MCP（Minimax Concave Penalty）惩罚项,分别构建了LR-SCAD和LR-MCP模型,在保留稀疏性的同时满足了无偏性,并利用ADMM（Alternating Direction Method of Multipliers）算法进行求解。通过模拟实验发现,LR-Elastic Net模型能很好地处理特征存在相关性的小样本数据,而LR-SCAD和LR-MCP模型在特征存在相关性的大样本数据中表现较好;建立LR-Elastic Net、LR-SCAD和LR-MCP策略,并应用于沪深300指数成分股数据。回测结果显示,LR-SCAD和LR-MCP策略在股票相关性很强的数据中比LR-Elastic Net策略表现更好。     

强关系型社交媒体平台不实信息传播模型研究

社交媒体是当前人们获取信息的重要渠道,但是社交媒体中不实信息大量传播造成社会危害的问题一直困扰着管理者。为了减轻不实信息造成的不良社会影响,对不实信息的传播规律进行研究。划分出强关系型社交媒体,通过Multi-Agent建模的方法,引入用户个体异质性和决策行为不确定性,建立不实信息传播模型。用控制变量法,在多种网络中进行仿真模拟。研究表明：不实信息传播的初始节点不完全能够决定不实信息的传播范围;不实信息传播过程的缓解期长短与网络的随机性有关;用户观点共鸣度分布会对不实信息传播产生影响。     

基于时间窗模型的双向机器人路径规划方法

随着智能化与自动化的发展,机器人应用越来越广泛;多机器人路径规划和协作问题就成为当前关注的焦点。针对以上问题,提出了一种改进的遗传算法。在初始化总群时,通过选择中点的相邻点扩大选择范围确保线路连续。通过种群适应度函数改进路径平滑度防止转向次数过多。为了防止遗传算法陷入局部最优解,通过轮盘赌的方法确保一部分非最优个体。在优化后的遗传算法基础上根据优先级顺序,并结合提出的时间窗模型,对冲突类型进行分类处理并制定对应的协调方案。仿真结果表明,该方法可以有效地解决多机器人的路径冲突问题,通过合理地规划线路提高系统效率。     

混合策略改进的麻雀搜索算法

针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题,提出混合策略改进的麻雀搜索算法（MSSSA）。利用Circle映射初始化麻雀个体位置,增加初始种群的多样性。结合蝴蝶优化算法（BOA）中蝴蝶飞行方式,改进发现者的位置更新策略,增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动,提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和求解精度,全局寻优能力得到大幅提升。     

基于改进卡尔曼滤波的车道线与车辆跟踪系统算法研究

针对传统的车道线跟踪系统在复杂交通流情况下,利用卡尔曼滤波无法有效跟踪车道线的问题,论文提出了一种融合车辆与车道线检测的跟踪算法.该算法首先利用二阶高斯方向滤波器提取车道线检测的响应,同时利用haar-like特征检测图像平面中的车辆的2D回归框,并利用卷积神经网络预测车辆的3D回归框区域.利用车辆3D回归框的在车道线平面上的投影,结合改进的卡尔曼滤波同时跟踪车道线和车辆位置,避免因为车辆的遮挡造成对车道线的跟踪失效问题.实验室结果表明提出的融合车道线与车辆跟踪算法具有较好的准确性和鲁棒性.     

基于支持向量机的磨削表面烧伤识别研究

磨削加工是机械加工中的重要工艺之一,磨削烧伤对工件的各方面的性能有很大影响.因此,需要对磨削烧伤进行分级并识别以提高工件品质.论文采用支持向量机法对采集的磨削烧伤图像的颜色以及纹理特征进行深入地分析和研究.研究结果表明,随着数据量的变化,支持向量机模型对不同烧伤类型的识别准确率并不相同,当数据量为500时,支持向量机的类型识别准确率最高为94.02％.基本满足实际工程中对磨削烧伤识别的准确率要求,并具有一定的实际推广意义.