基于BP神经网络的足球机器人摄像机标定

摄像机标定是精密视觉测量的基础。利用人工神经网络直接学习图像信息与二维平面信息之间的对应关系,不需要确定摄像机具体的内部参数和外部参数,也无需知道有关摄像机模型或参数的先验知识。通过实验表明基于神经网络的标定方法与传统的线性标定方法相比具有较高的标定精度和较强的标定实时性,适用于足球机器人的摄像机标定。     

基于优化RBF-DDA神经网络的摄像机标定

设计了一种改进的基于动态衰减的RBF神经网络，它能够自适应地确定RBF隐层节点数、高斯函数中心值及径向基函数的宽度，克服了原算法中过多依赖先验知识设计参数的弊病，仿真实验验证了该算法的有效性。并且将此网络应用于摄像机定标中，该网络无需确定摄像机具体的内、外部参数，而且补偿了摄像机非线性畸变，使测量结果更加准确。实验结果表明，应用该神经网络进行摄像机标定能达到较高的精度，且在机器人平面跟踪实验中得到了令人满意的结果。     

基于分割区间LS-SVM的摄像机标定

利用最小二乘支持向量机（LS-SVM）可以不考虑摄像机具体的内部参数和外部参数实现摄像机的标定。由于镜头的畸变主要由径向畸变引起,根据摄像机畸变特点对畸变区域进行划分,提出一种基于分割区间LS-SVM的摄像机标定法,对不同的畸变区域进行单独处理。该方法与BP神经网络和基本LS-SVM预测结果对比表明,分割区间LS-SVM摄像机标定法误差小、速度快、标定精度高。     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。     

摄像机参数标定实验的设计与实现

在基于位置的视觉伺服中，需要建立将二维图像信息转换为三维坐标信息的图像雅可比矩阵。为了获取高精度的雅可比矩阵本文设计了CCD摄像机参数标定的实验。首先介绍了摄像机标定原理，然后设计了标定实验，最后给出了标定的具体步骤以及实验结果。     

单目摄像机标定方法的研究

摄像机标定是计算机视觉领域的一个研究热点,为了解决单目摄像机标定中的精度不高、模型复杂、鲁棒性差等问题,依据神经网络、遗传算法及摄像机标定的特点,提出了基于遗传算法和BP神经网络相结合的单目摄像机标定方法。该方法充分利用遗传算法的全局优化和神经网络的局部收敛的特点,一方面避免了建立复杂的摄像机成像模型,另一方面增强了摄像机标定的精度和鲁棒性。实验表明该方法有效。     

摄像机参数固定的全局离焦深度恢复

利用2维离焦图像恢复景物的3维深度信息是计算机视觉中一个重要的研究方向。但是,在获取不同程度的离焦图像时,必须改变摄像机参数,例如,调节摄像机的焦距、像距或者光圈大小等。而在一些需要高倍放大观测的场合,使用的高倍精密摄像机的景深非常小,任何摄像机参数的改变都会对摄像机产生破坏性的后果,这在很大程度上限制了当前许多离焦深度恢复算法的应用范围。因此,提出了一种新的通过物距变化恢复景物全局深度信息的方法。首先,改变景物的物距获取两幅离焦程度不同的图像,然后,利用相对模糊度及热辐射方程建立模糊成像模型,最后,将景物深度信息的计算转化成一个动态优化问题并求解,获得全局景物深度信息。该方法不需改变任何摄像机参数或者计算景物的清晰图像,操作简单。仿真试验和误差分析结果表明,该方法可以实现高精度的深度信息恢复,适合应用于微纳米操作、高精度快速检测等对摄像机参数改变较为敏感的场合。     

一种全局指数收敛的摄像机内参数观测器

针对摄像机标定问题,本文从控制理论角度出发设计了一种具有指数收敛特性的摄像机内参数观测器.当摄像机随移动机器人等运动平台一起旋转时,该观测器使用其运动信息和实时拍摄得到的特征点图像信息,可以实现对摄像机内参数的在线估计.具体而言,论文分析了云台摄像机的运动约束,建立了特征点图像坐标变化的运动学模型,随后基于4个或4个以上特征点（其中任意3点不共线）,构造了一种内参数非线性观测器,并通过理论分析证明了其状态估计指数收敛于摄像机的相应内参数,仿真结果验证了这种非线性观测器的良好特性.     

神经网络PID 控制的机器人视觉反馈跟踪

探讨针对视觉空间的非完整移动机器人的跟踪控制问题。在不校准摄像机视觉参数的情况下,利用视觉反馈得到的信息,设计出非完整移动机器人轨迹跟踪的神经网络控制器。将BP网络与PID控制相结合,避免复杂的公式推导,解决参数不校准下的控制问题,并很好的实现跟踪。仿真结果证明了文中方法的有效性。     

基于神经网络的摄像机平面模板标定方法

根据立体视觉原理,提出了基于神经网络摄像机标定方法,该方法的特点是采用平面模板作为标定物.由于传统的标定算法在考虑各种非线性畸变时计算十分繁琐,利用BP神经网络来直接学习图像信息与三维信息之间的关系,可实现从输入到输出的任意非线性映射.为了提高BP神经网络训练速度和避免陷入局部最小解,采用引入动态因子的学习算法.实验结果表明,该算法具有较高的标定精度,而且可行.     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

量子神经元结构设计及其应用

在量子理论的框架内,解释了神经元的信息处理机制,提出了量子神经元．该神经元对信息的处理分为两阶段．第1阶段为宏观信息收集部分,产生控制量子比特;第2阶段为微观信息处理部分,根据控制量子比特,改变神经元的状态．整个过程模拟量子受控非门．采用人工和实际数据集,作为分类研究对象。对比传统的神经元网络,量子神经元网络显示出较好的分类效果．以丙烯腈反应器作为建模研究对象,该网络显示出较强的泛化能力．     

The upper and lower bounds of the information-hiding capacity of digital images

The information-hiding capacity of a digital image is the maximum information that can be hidden in that image, while the lower limit of information hiding is the minimum detectable information capacity. This paper proposes a new method of information-hiding capacity bounds analysis that is based on the neural network theories of attractors and attraction basins. With this method, the processes for determining upper and lower limits of information hiding, are unified within a single theoretical framework. Results of research show that the theory of attraction basins of neural networks can be used to determine the upper limit of information hiding and the theory of attractors of neural networks can be used to determine the lower limit of information hiding.     

基于正交基神经网络算法的多传感器数据融合方法

为了改善多个同类传感器检测目标参数的性能,提出了一种基于递推最小二乘法的多传感器数据融合的正交基神经网络算法,用基于递推最小二乘法的神经网络算法对各传感器的量测数据进行处理,并用神经网络输出结果的平均值来实现多传感器的数据融合.为了验证算法的有效性,给出了多传感器数据融合的仿真实例.研究结果表明,基于递推最小二乘法的多传感器数据融合的正交基神经网络算法是有效的.     

基于偏差的图注意力神经网络推荐算法

在推荐系统中,基于知识图谱的神经网络与传统神经网络相比,以图形作为输入,可以很好地将节点信息和拓扑结构相结合进行推理和推荐.然而,现有基于图神经网络的推荐算法,面临着知识表示不准确以及信息融合单一的问题.对此,将图神经网络与注意力机制相结合,提出一种基于偏差的图注意力神经网络推荐算法.该方法采用翻译模型对知识图谱信息进行特征表示的嵌入,获取节点在同一投影空间下的三元组信息,考虑到在三元组中预测值与真实值之间存在误差,以及邻居节点在信息传播时权重的差异,采用基于偏差的注意力计算机制以便更好地捕获节点间高阶连通性.其次,在神经网络的传播训练过程中,通过多通道融合机制对节点和邻居信息进行聚合以提高模型的健壮性.最后,在3个真实数据集上与经典算法进行对比,验证所提出算法的有效性.     

基于卷积神经网络的构件分类策略的研究

为了提高软件复用过程中构件检索的效率，分析了软件构件分类技术的优缺点以及构件特征，从构件刻面信息的角度，采用卷积神经网络技术，提出一种基于卷积神经网络的构件分类策略；利用卷积神经网络对构件刻面特征进行提取，减少人为因素，提高刻面信息提取精确性，并训练出基于卷积神经网络的构件分类模型，通过具体的实验，来论证该模型的准确性，以达到提高构件检索效率的目的。     

基于大数据技术的人才智能推荐方法

复杂多样的岗位信息使得很多求职人员很难查找到适合自己的岗位信息,为了提高人力资源的推荐质量,本文基于梯度提升树和混合卷积神经网络设计一种有针对性的人才市场推荐模型。利用流式分布式方法收集求职人员信息并将其转换为可用于算法分析的独热编码,使用梯度提升树提取求职人员特征。混合卷积神经网络在经过训练之后可实现有针对性的人才推荐。本文模型与不结合梯度提升树的混合卷积神经网络、结合梯度提升树的卷积神经网络相比,在召回率和F1-Score上分别提高了9.78%和10.1%。这说明,结合梯度提升树的混合卷积神经网络算法能够有效提高人力资源的推荐质量。     

基于粗糙集和动态模糊神经网络的股市预测研究

论文研究基于神经网络的股票预测方法,针对目前存在的问题,通过模糊理论与动态神经网络的结合提出一种更为适合现状的动态模糊神经网络DFNN(Dynamic Fuzzy Neural Network)股票预测模型。首先对采集的股票信息进行属性提取,然后利用粗糙集理论中的信息熵算法进行属性约简、删减冗余信息,最后用约简后的数据作为动态模糊神经网络的输入属性进行训练预测,并在算法模型中运用分级学习的思想,能在一定程度上实现预测某一只股票短期内大致走势的功能。实际操作中更能为股票的多重选择进行推荐,降低投资的风险,有着较高的实用性。     

基于多传感器信息融合的智能小车避障

针对智能小车在不确定坏境下自主避障的情况,采用超声波传感器和红外传感器相结合来感知外界环境信息。将传感器采集到的各种数据利用T-S模糊神经网络进行融合．通过实验仿真表明：此方法能够使智能小车对障碍物灵活避障．     

基于BP神经网络的蜂窝无线定位算法

为了解决最小二乘法需要测量数据的先验信息来构造协方差矩阵的问题,提出了基于BP神经网络的蜂窝无线定位算法。该算法融合了移动基站提供的AOA、TOA和TDOA测量值来实现移动台的定位,利用神经网络较快的学习特性和逼近任意非线性映射的能力,使其适用于复杂的多径环境。同时充分利用了定位的冗余和互补信息有效地减小了非视距传播的影响。对基于BP神经网络的定位系统性能进行了仿真,结果表明,基于BP网络的蜂窝无线定位算法消除了定位模糊和基站非理想分布对定位精度的影响,在复杂的多径环境下能够有效地提高定位精度。