无线传感器网络的任意覆盖率节点配置

研究了任意覆盖率下的无线传感器网络分布式节点自动配置问题. 首先, 针对正六边形拓扑架构下的网络覆盖, 给出了节点密集分布条件下的覆盖率与相邻工作节点间距的解析关系, 从而得到了理想条件下部分覆盖的最优节点配置. 考虑到实际系统中有限的节点密度和节点的随机分布, 进一步提出了一种可以在此条件下实现任意覆盖率的部分覆盖协同优化算法(Optimized collaborative partial coverage, OCPC). OCPC通过节点间的动态协同唤醒最接近于理想配置的工作节点并使其他节点睡眠以节省能量. 以尽可能少的工作节点达到网络的覆盖和连通需求并降低网络的能耗, 进而达到网络的感知任务和能量消耗的有效折衷. 仿真表明, OCPC可以有效地实现任意期望覆盖率下的网络配置并保持网络连通, 同时, 与经典覆盖算法PEAS (Probing environment and adaptive sleeping)和OGDC (Optimal geographic density control)相比, 在网络的节能方面也具有明显的优越性.     

无人机碰撞规避路径规划算法研究

无人机(unmanned aerial vehicle,UAV)技术是目前国内外的研究热点。无人机系统正向着智能化、自主化的方向发展,其中路径规划是无人机自主控制的重要组成部分及无人机飞行安全的重要保障。为优化无人机障碍规避路径规划算法,分别设立静态障碍物和动态障碍物环境,基于最小规避距离和航程比这2个指标,比较分析了人工势场法、模糊逻辑算法和蚁群算法对无人机碰撞规避路径规划的性能,并针对人工势场法易陷入局部极小值的缺陷提出了通过增加垂直引导斥力来使无人机逃离局部极小值的改进措施,实验仿真严谨可靠,为进一步融合多种算法、优化现有路径规划算法奠定了基础。     

基于网格的统计优化特征匹配算法

基于图像特征点的匹配算法广泛应用于图像检索,目标检测、识别等图像处理领域。针对特征匹配算法召回率较低的问题,提出了一种基于归一化互相关函数网格的统计优化特征匹配算法,将匹配主方向差和匹配尺度比引入特征匹配过程中,综合利用SIFT(scale invariant feature transform)特征点的主方向、尺度和位置等约束在网格框架下加速匹配位置的求解,优化特征匹配结果,提高匹配召回率和综合匹配性能。首先在目标图中寻找原图每个特征点的最近邻匹配特征点,得到初匹配结果;其次利用匹配主方向差剔除初匹配中的大部分误匹配,然后基于匹配尺度比信息对匹配图像划分网格,统计匹配特征点的位置信息在网格间的分布情况,最后计算原图中每个网格的归一化互相关函数以判断该网格内的匹配是否正确,得到优化后的特征匹配结果。实验结果表明,新算法的匹配准确率在与经典特征匹配算法相当的基础上将匹配召回率平均提高了10%以上,获得了更好的综合匹配性能。     

基于改进Grassberger熵随机森林分类器的目标检测

对Grassberger熵进行改进,采用改进的Grassberger熵计算信息增益,选择分裂节点的最优分裂属性训练随机森林分类器,利用经过训练的随机森林分类器预测选择性搜索生成的子窗口是否包含目标。对每个训练样本及子窗口提取1个归一化梯度幅值、3个LUV颜色通道和6个梯度方向直方图的特征。在SenseAndAvoid数据集上测试了所提方法的性能,取得了73.2%的平均检测准确率。结果表明:安全包络范围内的平均检测准确率高于98%。利用改进的Grassberger熵计算信息增益,能提高目标检测的准确率。     

无线传感器网络部分覆盖算法及连通性研究

研究了无线传感器网络在部分覆盖下的节点配置及网络连通性问题。首先,基于最优正六边形拓扑架构,给出了节点密集分布条件下的覆盖率与相邻工作节点间距的解析关系,并在已有的最优完全覆盖算法OGDC的基础上进行了扩展和改进,从而得到了一种新的网络节点配置算法EGDC（Extended OGDC Algorithm）。该算法可以有效地选择出合适的工作节点以达到任意给定覆盖率下的部分覆盖。此外,还给出了一种检验和评价网络连通性的方法,通过该方法可以对网络的连通性进行量化分析,并给出了一项评价网络连通性的指标。仿真表明,EGDC可以有效地实现任意期望覆盖率下的网络配置并保持网络的连通。     

基于推广流形学习的高分辨遥感影像目标分类

针对传统的流形学习算法不能对位于黎曼流形上的协方差描述子进行有效降维这一问题，本文提出一种推广的流形学习算法，即基于Log-Euclidean黎曼核的自适应半监督正交局部保持投影（Log-Euclidean Riemannian kernel-based adaptive semi-supervised orthogonal locality preserving projection，LRK-ASOLPP），并将其成功用于高分辨率遥感影像目标分类问题.首先，提取图像每个像素点处的几何结构特征，计算图像特征的协方差描述子；其次，通过采用Log-Euclidean黎曼核将协方差描述子投影到再生核Hilbert空间；然后，基于流形学习理论，建立黎曼流形上半监督正交局部保持投影算法模型，利用交替迭代更新算法对目标函数进行优化求解，同时获得相似性权矩阵和低维投影矩阵；最后，利用求得的低维投影矩阵计算测试样本的低维投影，并用K—近邻、支持向量机（Support victor machine，SVM）等分类器对其进行分类.三个高分辨率遥感影像数据集上的实验结果说明了该算法的有效性与可行性.