不等权泛组合运算模型研究

实际复杂系统中的各因素一般具有不同的权重,针对现有的泛组合运算模型描述的是一种理想的等权情况,给出了两种广义加权算子模型,并据此提出了一种不等权泛组合运算模型,从而可以更准确地处理复杂系统中各因素间关系的不确定性问题.     

可信计算信任模型的模糊评估方法研究

基于可信计算中可信性影响因素,详细地讨论了基于模糊集合理论的可信计算信任模型的评估方法。把模糊逻辑推理同信任传递结合起来,采用基于相似度的加权模糊推理方法得到委托实体的可信度,评价信任模型的可信性,为可信计算信任评估提供了一种新的思路。     

基于孪生网络的快速视频目标分割

视频目标分割是计算机视觉领域中的一个研究热点,传统基于深度学习的视频目标分割方法在线微调深度网络,导致分割耗时长,难以满足实时的需求.本文提出一种快速的视频目标分割方法.首先,参数共享的孪生编码器子网将参考流和目标流映射到相同的特征空间,使得相同的目标具有相似的特征.然后,全局特征提取子网在特征空间中匹配给定目标相似的特征,定位目标对象.最后,解码器子网将目标特征还原,并通过连接目标流的低阶特征,提供边缘信息,最终输出目标的分割掩码.在公开基准数据集上的实验表明,本文方法的分割速度有大幅度提升,同时具有较好的分割效果.     

融合参考图像的人脸超分辨率重构方法

基于深度学习的图像超分辨率重构方法对低分辨率人脸图像进行超分辨率重构时,通常存在重构图像模糊和重构图像与真实图像差异较大等问题.基于此问题,文中提出融合参考图像的人脸超分辨率重构方法,可以实现对低分辨率人脸图像的有效重构.参考图像特征提取子网提取参考图像的多尺度特征,保留人脸神态和重点部位的细节特征信息,去除人脸轮廓和面部表情等冗余信息.基于提取的参考图像多尺度特征,逐级超分主网络对低分辨率人脸图像特征进行逐次填充,最终重构生成高分辨率的人脸图像.在数据集上的实验表明,文中方法可以实现对低分辨率人脸图像的有效重构,具有良好的鲁棒性.     

基于深度信息的人体检测窗口快速提取方法

为改善图像尺度空间搜索方法在人体检测窗口提取中的检测窗口数量多、检测消耗时间长的问题,在深入分析Kinect深度数据特点的基础上,给出了一种基于深度信息快速提取人体检测窗口的方法.该方法通过计算待检测深度图像中深度值出现频次的极大值,根据出现频次极大值对应深度值区域的几何中心确定检测窗口候选位置的中心,并进一步基于深度值和人体高度间的关系,确定检测窗口的尺寸,从而实现快速提取一系列人体检测窗口.最后,从检测窗口数量、响应时间和准确度等3个方面对该提取方法进行了评估,结果表明:该方法的总体效果良好,缩短了检测时间,并且准确率较高,达到了提高人体检测效率的目的.     

模糊推理中零级泛蕴涵的信息度约束研究

基于线性特征测度的定义,本文详细地讨论了模糊推理中零级泛蕴涵满足信息有界性原则的条件,并得出结论：当命题间是相克相关,即其广义相关系数h∈[0,0．5]时,零级泛蕴涵满足信息有界性原则。这一结论对于在实际控制应用中,如何给定命题间的广义相关系数h值具有重要的指导意义。     

基于PDM的并行集成化CAPP系统

指出了当前 CAPP系统在企业中应用的一些问题 ,论述了 CAPP并行化、集成化的具体内容、PDM在系统集成中的作用 ,基于PDM进行 CAPP的开发是一种新的模式 ,提出了一种基于 PDM的 CAPP体系结构。     

模糊推理中相异因子的研究

本文首次提出“相异因子r”的概念。并在“使解B*的相异程度最小”的思想指导下,改进了三Ⅰ算法单纯地求满足条件的最小模糊集的方法。并分别讨论了在Lukasiewicz蕴涵算予和Zadeh蕴涵算予之下的FMP规则以及相应的算法表达式。     

基于运动特征融合的快速视频超分辨率重构方法

基于深度学习的视频超分辨率重构方法常面临重构精度不高或重构时间过长的问题,难以实时获得高精度的重构结果.针对此问题,文中提出基于深度残差网络的视频超分辨率重构方法,可以快速地对视频进行高精度重构,并在较小分辨率视频的重构过程中达到实时重构的要求.自适应关键帧判别子网自适应地从视频帧中判别关键帧,关键帧经过高精度关键帧重构子网进行重构.对于非关键帧,将其特征与邻近关键帧间的运动估计特征和邻近关键帧的特征逐层融合,直接获得非关键帧的特征,从而快速获得非关键帧的重构结果.在公开数据集上的实验表明,文中方法能实现对视频的快速、高精度重构,鲁棒性较好.     

任意区间上的泛组合运算模型研究

泛组合运算为处理复杂系统中因素间相互冲突或协调的关系提供了有效解决途径。针对传统泛组合运算模型是基于单位区间[0,1]的理想情况,重点对在任意区间上取值的泛组合运算模型进行研究,给出并严格证明了其具有的一系列重要性质,为泛组合运算模型在控制中的应用提供了有力的依据。