基于Voronoi图划分的节点模糊信息定位算法

针对基于接收信号强度的无线传感器网络节点定位算法精度低的问题,提出一种基于Voronoi图划分的节点模糊信息定位算法。根据锚节点个数对定位区域进行Voronoi图划分,将整个定位区域划分为不同的Voronoi区域,同时获得各个Voronoi区域的顶点坐标。使用高斯滤波方法筛选出可以作为参考节点的顶点坐标,通过顶点坐标和锚节点联合定位未知节点。利用模糊信息定位方法计算出未知节点的最终位置。实验结果表明,相比M ANLFI算法和FINL-DT算法,该算法能够有效提高节点定位精度,降低网络能耗。     

基于扩展Kalman滤波的室内WiFi-PDR融合定位算法

为解决室内WiFi定位精度较低及行人航位推算(PDR)定位存在累积误差的问题,提出一种基于扩展Kalman滤波(EKF)的WiFi-PDR融合定位算法。WiFi通过改进的WKNN算法实现匹配定位,根据定位点与K近邻点的接收信号强度指示相对偏差进行权值修正,PDR定位采用多重约束条件的步态检测和在线步长估计方法。在此基础上,将EKF作为WiFi和PDR定位的融合滤波器,以降低WiFi定位回跳和PDR累计误差,从而提高定位精度。实验结果表明,在多次行迹转弯条件下,该融合定位算法的定位精度可达1.8 m。     

融合重检测机制的卷积回归网络目标跟踪算法

针对基于人工特征的背景感知相关滤波（CACF）算法在形变、运动模糊、低分辨率情形跟踪效果较差以及跟踪器遇到严重遮挡等情形容易陷入局部最优而导致跟踪失败的问题，提出一种融合重检测机制的卷积回归网络（CRN）目标跟踪算法。在训练阶段，将相关滤波作为CRN层融入进深度神经网络，使网络成为一个整体进行端到端训练；在跟踪阶段，通过残差连接融合不同网络层及其响应值，同时引入重检测机制使算法从潜在的跟踪失败中恢复，当响应值低于给定阈值时激活检测器。在数据集OTB-2013上的实验表明，所提算法在50个视频序列上精确度达到88.1%，相比原始CACF算法提高9.7个百分点，在具有形变、运动模糊等属性的视频序列上相比原始算法表现更优秀。     

基于自适应阈值“双K算法”的零件缺陷边缘检测

针对传统边缘检测方法难以实现边缘信息的准确检测问题,提出了一种零件缺陷边缘检测的新方法.首先对采集到的零件缺陷图像进行灰度化和Wiener滤波,以减少噪声等因素对后期检测的影响;然后,以kalman算法预估图像分割阈值作为Krisch算法的初始阈值;在此基础上,进行零件缺陷边缘检测,以提高零件缺陷检测的准确性.最后,利用MATLAB软件对零件缺陷图像进行仿真试验,验证边缘检测算法的检测效果.实验结果表明,推荐算法检测的平均准确率达到94.38%,能够有效实现零件缺陷边缘信息的检测.     

用于域适应的多边缘降噪自动编码器

神经网络模型被广泛用于跨领域分类学习。边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同。为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA)。首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例。实验结果表明,该方法在跨领域情感分类方面优于基线算法。