基于结果反馈的模糊Petri网学习算法

针对模糊Petri网模型的复杂结构,在不增加虚库所和虚变迁的情况下改进了模糊Petri网分层算法,从而简化模糊Petri网学习和训练方法。为提高收敛速率,本文从一个全新的角度考虑模糊Petri网的学习和训练,提出了基于结果反馈的模糊Petri网学习的新算法（FBFPN）。该算法通过对纯网进行层次式分层及建立变迁点燃的近似连续函数后,调整权值、变迁的阈值、变迁的可信度的同时又调整输入矢量的多重作用来最小化误差函数。仿真结果分析表明,该算法具有良好的学习效率和泛化能力。     

复杂条件下多个指示色标块的检测

提出一种在不同光照和不同背景条件下多个指示色标块检测的算法。在Lab颜色空间的L通道中,在连续帧中根据图像的相似性确定背景图像,当前帧图像与背景图像差分确定运动区域以去除背景干扰和缩小指示色标块查找的区域。在运动区域中进行区域生长,计算运动区域凸包,在凸包中进行采样,并根据权值表赋予权值,通过聚类确定种子,使用基于最小错误率的贝叶斯决策作为生长准则进行生长。实验结果表明,该方法与传统的颜色阈值向量方法相比,应用场景更广,颜色块的检测效果更好。     

FPN推理模型在上下文感知系统中的应用研究

研究模糊Petri网模型在上下文感知系统中的快速推理算法.针对模糊Petri网的通用推理算法不能解决“或逻辑”问题,提出了模糊Petri网推理算法从变迁开始搜索,区别于通常从库所开始搜索的策略,有效解决了“或逻辑”问题;并在不增加虚库所和虚变迁的前提下对变迁先排序后再进行推理,降低了算法的空间和时间复杂度.最后,对模糊Petri网模型和推理算法进行仿真,实验结果验证了该算法的有效性.     

复杂图像背景下的一维条码定位研究

复杂背景中的条码自动定位在图像式条码识别系统中是一个关键步骤,如何在复杂的背景中快速、自动地检测出条形码是研究的主要内容。主要利用条码区域的边缘密度高、以及边缘方向单一特征检测条码区域,研究了复杂图像背景中条码定位的步骤并提出一种基于边缘梯度方向的边缘提取法,得到了较好的效果。