邻域谱概率协同表示的高光谱图像分类方法

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。     

基于多尺度卷积特征融合的癫痫脑电信号识别

脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。     

轮腿式壁面清洗机器人真空耦合传递系统研究

针对轮腿式壁面清洗机器人作业时对吸附力的要求以及吸附系统部分组件相对机器人本体旋转的问题,采用模块化设计方法,研究了真空耦合传递系统,分析了其构成与负压同步分配器截面形状。为满足相对机器人静止的真空发生器和转动吸盘的连接要求,根据分配头不同截面形状提出负压同步分配器3种方案,并分析了分别采用不同方案的机器人特性。研究结果为机器人在平直壁面、球形或柱形等曲面上的可靠吸附与运动提供基础和保证。     

基于模糊算法的水下机器人路径规划研究

针对水下机器人的工作环境的复杂性与不确定性,为了提高自主式水下机器人与外部环境交互及自主航行的能力,结合视线导航原理与模糊控制算法,提出一种未知环境下水下机器人的局部路径规划策略,可实现机器人的实时避障功能。利用测距声呐、短基线系统对环境进行探测,得到一定范围内的障碍物与目标信息,通过模糊控制器实时调整水下机器人的运动偏转角度,有效地避开障碍物,达到预定目标点。最后通过MATLAB进行仿真,构建一个仿真实验平台,交互式设置障碍物的数量、大小、形状、位置等初始信息,机器人运用该算法在多障碍物、不同路障环境下,都能较好地实现机器人避障,验证了算法的有效性。     

流化床微观混合过程的定量评价

将离散单元法与计算流体力学相结合,对流化床内物料微观混合过程进行了研究.给出了在水平布风板均匀布风、倾斜布风板非均匀布风两种情况下的示踪颗粒场变化过程,并引入Ashton指数,以定量描述混合发展程度.模拟结果表明:在均匀布风情况下,床内气泡横向运动受到限制,横向混合以扩散方式为主;而对于非均匀布风流化床,床内存在较大的横向颗粒浓度梯度,初始阶段对流混合作用起主要作用,且混合速度较为迅速;随后局部剪切作用使混合进一步细化.     

基于轮廓特征点最大互信息的多模态医学图像配准

提出了一种基于轮廓特征点最大互信息的多模态医学图像配准方法,并将粒子群优化算法(PSO)和Powell算法相结合以一种组合的全局优化算法(PPSO)来求取最优配准变换参数.实验结果表明,该方法具有配准精度高、速度快、鲁棒性强等特点,是一种有效地全自动配准方法.     

一种基于多尺度卷积神经网络和分类统计的图像去雾霾方法

传统的去雾霾方法会导致天空、白云和明亮区域内的颜色失真。为了解决以上问题,提出了一种基于多尺度卷积神经网络和分类统计的去除图像雾霾的方法。首先用多尺度卷积神经网络估计图像的透射率,其次对所估计的透射率进行分类统计以确定在暗通道内天空、白云和明亮区域的像素值,最后通过低通高斯滤波器平滑图像场景的辐射度,得到恢复的无雾霾图像。实验结果表明,采用提出的方法对图像去雾霾后明亮区域内的颜色不会失真,且保留了图像的自然外观,对合成图像和真实图像均有较好的去雾霾效果。     

拉普拉斯特征耦合方差度量的图像匹配算法

为了解决当前图像匹配算法主要是通过像素点间的距离信息来实现特征匹配,忽略了图像间的方差信息,导致匹配结果中存在较多的错误匹配等不足,本文提出了一种基于拉普拉斯特征制约与方差度量的图像匹配方法。首先,引入Harris算子,对图像特征进行粗提取,并利用像素点的拉普拉斯特征,删除伪特征点,对粗提取的图像特征进行优化,获取更为准确的图像特征。然后,依据图像的梯度特征来计算图像特征的方向信息,以此建立特征点的邻域,通过求取该范围内的Haar小波值,从而得到特征向量。采用区域方差模型对图像的方差信息实施度量,并联合特征点的欧氏距离,对特征点进行更为准确的匹配。最后,采用随机样本一致性(RANSAC)机制对特征匹配结果实施优化,剔除其中的错误匹配,从而完成图像匹配。实验结果显示：较当前较为先进的匹配算法而言,在旋转、缩放等几何变换干扰下,所提算法具备更高的匹配准确率,维持在90%以上。     

基于局部模式的癫痫脑电信号自动分类方法

为有效地检测脑电图(EEG)中的癫痫信号,设计一维局部三值模式(1D-LTP)算子提取信号特征,并结合主成分分析(PCA)和极限学习机(ELM)对特征进行分类。通过1D-LTP算子计算信号点的顶层模式和底层模式下的特征变换码以准确滤除干扰信号,并对变换码直方图PCA降维后采用ELM进行分类,以10折交叉验证评估分类性能。实验结果表明,该方法能有效识别在癫痫发作期的EEG信号,其准确率可达99.79%。