Rao-Blackwellized滤波器实现机器人同时定位和地图创建

为了实现移动机器人仅依靠单目视觉和里程计创建可靠地图,本文提出了基于Rao-Blackwellized粒子滤波器的同时定位和地图创建方法.文中建立了鲁棒的运动模型和感知模型;通过有效的尺度不变特征变换方法提取环境特征,并采用基于KD-Tree的高维特征点最近邻快速搜索算法实现特征匹配;通过对匹配对的三维重建创建了密集的空间三维自然路标.实际实验表明本文方法能创建较高精度的地图.     

基于Voronoi图的反向最近邻查询方法研究

为了解决数据集中数据点的反向最近邻问题,利用Voronoi图及空间分割区域的性质计算查询点的反向最近邻,通过Voronoi图的特性可免去每次都计算数据集中给定查询点的最近邻的步骤,每次查询可过滤出少数的几个数据点并对其进行反向最近邻的判断.给出了在数据点被加入或删除时,对查询点的反向最近邻变化情况的判断方法与算法.为了便于数据库查询,设计了相应的空间存储数据结构.比较分析表明,该方法较适用于平面及复杂曲面上的数据点的反向最近邻的查询.     

基于邻节点残存率的AODV路由优化算法*

摘要：针对AODV路由发现缺少路径稳定性考虑以及本地修复没有避开不稳定区域的缺陷,提出了基于邻节点残存率的AODV-NSR优化算法。借助于邻节点残存率AODV-NSR对路由发现算法进行优化,使路径稳定性得以提高;借助于断链责任检测和数据抢救机制,AODV-NSR对本地修复算法进行优化,使本地修复尽可能避开不稳定区域,从而降低二次断链的几率。仿真实验表明,AODV-NSR对Ad hoc网络的性能有较为明显的提高。     

基于动态邻居和变异因子的多目标粒子群算法*

为了克服粒子群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解)和收敛速度较慢的缺陷,提出一种合并帕累托占优概念到动态邻居和变异因子的粒子群算法(particle swarm optimizer based on dynamic neighbor topology and mutation operator,DNMPSO)来处理多目标优化问题(DNMMOPSO),该算法也合并了外部存档技术来存储每次迭代产生的非劣解。模拟结果表明,提出的算法在多目标检测问题上要优于其他算法     

聚类分析在学生成绩分析中的应用

系统聚类法是目前实际应用中使用比较广泛的一种聚类分析方法.选取了某省属理工高校7个学院08级学生五门课程的成绩,分别按学院和专业进行了系统聚类分析.结果表明聚类分析法对学生评价比较科学合理、符合实际.有利于全面了解各学院学生的学习状况.     

基于V~＋图的移动K近邻查询研究

移动K近邻查询（MkNN）找到一个移动查询点的K个连续最近邻。目前解决此类查询的方法有两种：利用采样的方法和基于安全区域的方法。在传统的安全区域方法基础上提出一种基于安全区域的技术来计算MkNN,称为V＋图。此方法除了数据对象外还利用查询点和查询空间的信息,给出基于V＋图的MkNN查询算法和相应定理及其证明。     

自然单元法研究进展

自然单元法(NEM)是新近出现的一种求解偏微分方程(PDE)的数值方法,它采用自然相邻点插值方法在全域构造近似函数和试函数,该方法基于整个求解域内离散节点的Voronoi结构。NEM形函数的构造简单,形函数及其导数的计算相对容易,由于不涉及到矩阵的运算及其逆运算,与一般的无网格方法相比计算量大大减少。另外由于NEM形函数满足Delta函数的性质,且在边界相邻节点间满足线性插值,从而可以准确地施加边界条件和方便地处理场函数及其导数的不连续性,这是一般的无网格方法所难以实现的。从形函数的构造和性质来看,它兼有无网格的特性和有限单元方法的优点,可以认为是介于两者之间的一种极具发展前途的数值方法。详细介绍了自然单元法的求解过程和最新研究进展,并对目前自然单元法中尚待改进的问题及其相应的解决方案和未来的研究方向进行了初步的探讨。     

广义凝聚映象及其不动点和最近点

本文引入了广义凝聚映象的概念．并研究了该类映象不动点的存在性问题，给出其对最近点问题的应用．本文结果改进和推广了引文［１，３，４］中的相应结果．     

A Review and Empirical Evaluation of Feature Weighting Methods for a Class of Lazy Learning Algorithms

Many lazy learning algorithms are derivatives of the k-nearest neighbor (k-NN) classifier, which uses a distance function to generate predictions from stored instances. Several studies have shown that k-NN's performance is highly sensitive to the definition of its distance function. Many k-NN variants have been proposed to reduce this sensitivity by parameterizing the distance function with feature weights. However, these variants have not been categorized nor empirically compared. This paper reviews a class of weight-setting methods for lazy learning algorithms. We introduce a framework for distinguishing these methods and empirically compare them. We observed four trends from our experiments and conducted further studies to highlight them. Our results suggest that methods which use performance feedback to assign weight settings demonstrated three advantages over other methods: they require less pre-processing, perform better in the presence of interacting features, and generally require less training data to learn good settings. We also found that continuous weighting methods tend to outperform feature selection algorithms for tasks where some features are useful but less important than others.