基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。     

多装配接口的三维装配模型检索方法

针对三维模型装配时存在的多接口连接方式,提出一种多装配接口的三维装配模型检索方法.首先对三维装配模型进行属性邻接图的表达,并根据装配体零件之间的接口配合关系定义共轭子图;然后针对装配模型构成的图集进行图顶点的序列化,降低顶点匹配过程中的遍历次数;在此基础上,将装配模型的检索转化成查找符合共轭子图的属性邻接图,通过装配模型属性邻接图的图集进行模型检索;最后对频繁子图挖掘方法进行改进,提取出满足多装配接口的三维装配模型.实验结果表明,该方法能够实现多装配接口的三维装配模型检索,可以提取出设计人员所需的三维模型,提高产品的设计效率.     

基于l1,2惩罚典型相关分析的特征选择

特征选择是多模态高维数据机器学习的一个热点问题,而过拟合和过稀疏是特征选择需要克服的关键问题。对此提出以l_(1,2)范数作为惩罚项兼顾稀疏作用和光滑作用,以组内稀疏来防止过拟合,以组间光滑来防止过稀疏,通过优化数据间的相关性来实现特征选择。然而对一般数据而言,群组信息又很难获得,所以对于群组信息缺失的数据,应用随机分组获得群组信息,最终实现兼顾组间光滑和组内稀疏优点的特征选择。模拟实验结果表明,该方法能较完整地选择出两模态数据间的关联特征,并且去除不相关特征。     

基于SVM的电压扰动识别研究

针对电力系统中出现的电压暂升(暂降、暂断)以及谐波、电压脉冲和电压闪变这六种常见电压扰动进行建模,将特征量输入到SVM进行电能质量扰动多类分类。首先采用相应小波包分解算法将电能质量中某一频段内的信号分解到特定频段上,其次在这些特定频段上提取特征向量,最后针对该特征向量构造相应支持向量机分类器。结果表明,在较复杂的电能质量扰动情况中,支持向量机分类器仍能实现对信号的精确分类,对电能质量监测具有很好的应用价值。     

三维地震资料解释中时深转化方法对比分析

针对三维地震资料解释中时深转化问题,结合目前地震资料解释中时深转化技术发展现状,从两个角度出发对目前常见的常速成图法和变速成图法分别进行对比分析,为推动三维地震资料解释的进一步发展奠定基础。研究表明:对于常速成图法而言,需要分区分深度进行幂函数拟合才可以得到较为准确的地震资料,对于变速成图法而言,其主要可以分为三种类型,分别是井空间插值法、约束层速度变速成图法以及层叠法变速成图,在使用的过程中,需要根据地质状况的不同以及地震反射条件的不同,选择最合适的方法,以此获取到最佳的地质成果。