按曲率选取基点的多分辨率表示重构算法

通过曲率引导选取一组基面来完成Eck等提出的任意拓扑三角网格多分辨率表示重构算法中的Voronoi划分．在提高效率的同时,可在相同网格规模下取得更好的重构质量;在重采样过程中以粗网格的Loop细分来指导参数域的细分,减轻了原算法因线性细分而产生的块状分界现象．最后提出一种自适应细分重采样技术,以减少数据冗余．     

点元表示的参数曲面相切判断与计算

提出了一种基于点元的参数曲面求切新算法,该算法先对曲面进行离散点元采样,通过层次包围盒测试,建立法向包围锥,对判断为可能相切的区域,根据精度自适应动态重采样点元,最后进行求切运算.实验表明,通过对曲面可能相切区域分析检测,能够针对曲面相切的情况在可控误差范围内有效求出切点,算法稳定可靠且易于交互.     

一般点模型的交互式布尔运算

提出了一个适用于一般点模型的交互式布尔运算算法,此算法由4个步骤组成．首先将点模型表示为自适应的三色八叉树,然后利用自适应八叉树结构加速内外测试．对于局部采样密度不一致的相交区域或曲率太大容易导致较大求交误差的地方,实行了自适应细分加密采样;重采样相交的部分以获得更精确的求交结果．与已有的点模型布尔运算方法相比,该算法适用于一般的实测点云数据,包括少量噪声的点模型、非均匀采样以及不同分辨率点模型之间的交互式布尔运算。     

自适应细分二次多项式响应面算法

复杂模型(或黑箱函数,black-box function)的全局近似方法广泛应用于模型简化、灵敏度分析和参数(或控制)优化中。现有的单一响应面存在着采样估值与近似精度之间的矛盾,因此提出自适应细分二次多项式响应面算法:在构造初始响应面基础上,对设计域进行递归分割,每步选择最粗糙单元,沿着最粗糙维度方向进行自适应细分。通过实验测试,该方法以多响应面来近似黑箱函数,从而达到采样点少而响应面精度高的目标。     

分维自适应稀疏网格积分非线性滤波器

针对含加性高斯噪声的非线性离散系统,提出了可分别根据各维状态及量测方程的非线性函数特性来确定采样点及其权重的积分滤波器.设计了基于嵌入式高斯采样积分和稀疏网格法则的自适应多变量采样积分方法,可在匹配函数高阶泰勒展开项时,利用低阶采样点,提出了高效的数据结构和遍历算法,便于采用该积分方法分别估计系统状态/量测的预测均值和协方差矩阵.该滤波器既能根据各维非线性函数的特性确定采样点,又实现了对采样值和权重的完全复用,保证了算法效率.理论分析和仿真表明,该滤波算法中自适应调整的运算量小于计算非线性函数采样值.该滤波器与无迹卡尔曼滤波相比,提高了滤波精度,与固定形式的稀疏网格滤波器相比,提高了采样效率,且该方法为两者的广义形式.仿真实验也验证了状态估计的精确性和函数采样的高效性.     

多传感器信号数据采集实时压缩算法

针对多传感器测试系统采样数据信息量大、不便于存储和实时传输的问题,提出了一种基于改进的二叉树算法对原始采样数据进行实时压缩.根据多传感器系统信息冗余量大的特点,充分利用多传感器信号之间相关性和采样点之间相关性,对采样数据在二维方向上做去冗余处理,从而达到节省数据存储空间、提高数据传输效率的目的.该算法编程简单、计算量较小、易于硬件实现,并在动态称重压力传感器信号的压缩实验中取得了较好的压缩效果.     

基于点到直线距离的直线扫描转换算法

直线扫描转换算法是计算机图形学和计算机辅助设计等领域最基本、最重要的算法之一,直线反走样算法也是光栅化图形算法中的重要内容。文中提出了一种基于点到直线距离的直线扫描转换算法,给出了算法的推导过程及代码表示,并介绍了算法在直线反走样中的具体应用。该算法基于增量技术,采用点到直线的距离作为判别式,在扫描转换过程中,可方便地根据点到直线的距离,采用加权区域采样的方法进行直线的反走样,提高了反走样的效率;具有只使用整型变量、不涉及乘除运算的特点,适合硬件实现。     

一种基于种群熵的自适应粒子群算法

提出了一种基于种群熵的自适应粒子群算法,采用2个基准函数对新算法进行了测试.测试结果表明,新算法有效地均衡了算法的探测和开采能力,在解决复杂多峰函数优化问题时,与基本粒子群算法相比,具有更强的摆脱局部极值点的能力,且执行效率降低不多.     

网络可靠性分析中自顶向下的二叉决策图构造研究

采用边界分区标识网络的思想,实现基于边界分区的自顶向下K端可靠度二叉决策图(BDD)构建算法。针对BDD构建过程中存在的节点冗余问题,提出无效边冗余消除和K点非连通冗余消除2种处理技术。在规则网络和实际工程中的实验结果表明,利用无效边冗余消除和K点非连通消除技术后的BDD改进算法,在不影响算法时间性能的情况下,可大幅缩减BDD尺度,提升K端网络可靠度分析算法性能,适用于大规模的网络可靠度分析。     

多分辨率三维建筑群建模与实时绘制技术

将纹理特征分析技术引入到多边形网格建模中,提出一种基于高程特征值进行曲面细分的算法以构建多分辨率虚拟建筑群模型。该算法给出一种三角边与纹理特征曲线相交的三角面分裂方法构造自适应细分三角网格。通过设计细分三角网格的二叉树数据结构和开发测试程序进行测试,表明该算法具有自适应网格速度快和保持几何特征较好的特点,可以满足在PC机上实现三维建筑群的大范围建模和实时交互显示要求。     

基于FPFH特征提取的散乱点云精简算法

针对原始点云模型中存在大量冗余数据问题,提出一种基于快速点特征直方图(FPFH)特征提取的点云精简算法,有效兼顾了特征信息保留和整体完整性。算法首先查找并保留原始模型的边缘点;然后计算非边缘点的FPFH值,由此得到点云的特征值,并进行排序且划分出特征区域和非特征区域,保留特征区域内的点;最后将非特征区域划分为k个子区间,对每个子区间用改进的最远点采样算法进行采样。将该算法与最远点采样算法、非均匀网格法、k-means算法和自适应曲率熵算法进行对比实验,并用标准化信息熵评价方法对精简后的点云进行评价,实验表明其优于其他精简算法。此外,可视化结果也表明,该算法能够在保证精简模型完整性的同时,较好地保留住点云大部分特征信息。     

动态贝叶斯网络一种自适应的局部抽样粒子滤波算法*

针对传统自适应粒子滤波（APF）对于动态贝叶斯网络推理中高维的问题,提出动态贝叶斯网络一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中,利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割,以降低抽样规模和抽样的状态空间;进而对局部模型用自适应粒子滤波算法进行近似推理,并以粒子的因式积形式近似系统的状态信度。实验结果表明,该算法能很好地兼顾推理精度和推理时间,其性能优于普通PF算法;与APF算法相比,在不增加推理误差的情况下推理时间也有较大的提高。     

基于不平衡数据样本特性的新型过采样SVM分类算法

针对传统采样方式准确率与鲁棒性不够明显,欠采样容易丢失重要的样本信息,而过采样容易引入冗杂信息等问题,以UCI公共数据集中的不平衡数据集Pima-Indians为例,综合考虑数据集正负类样本的类间距离、类内距离与不平衡度之间的关系,提出一种基于样本特性的新型过采样方式.首先对原始数据集进行距离带的划分,然后提出一种改进的基于样本特性的自适应变邻域Smote算法,在每个距离带的少数类样本中进行新样本的合成,并将此方式推广到UCI数据集中其他5种不平衡数据集.最后利用SVM分类器进行实验验证的结果表明:在6类不平衡数据集中,应用新型过采样SVM算法,相比已有的采样方式,少(多)数类样本的分类准确率均有明显提高,且算法具有更强的鲁棒性.     

基于采样点优化RRT算法的机械臂路径规划

针对基于随机采样的RRT机械臂路径规划算法在全局工作空间下采样效率低、随机性强等问题,提出一种基于采样点优化RRT算法的机械臂路径规划算法.相对于全局工作空间采样,优化算法首先基于非障碍物空间生成随机采样点,以降低算法碰撞检测概率与冗余节点的生成,再结合一定概率的人工势场法产生启发式采样点,使得机械臂臂体于路径规划采样过程中既能保证随机采样的概率完备,又能使采样点更具目标导向性.其次,为使得路径更加简洁平滑,使用冗余节点删除策略剔除路径中的冗余节点来优化最终路径.最后在二维、三维的仿真环境中对优化算法进行对比实验分析,以验证算法在随机采样路径规划算法中的良好性能,并在IRB 1200-7/0.7机械臂上进行避障规划算法实验.仿真和实验结果都表明,所提出的算法在机械臂路径规划中可以获得更高的规划效率和更优的路径.     

一种有效的数据分布算法

文章在综合了最佳适应算法、站点全受益法和附加副本算法的基础上,提出了一种有效的数据分布算法,该算法开始依据最小开销确定初始无冗余分布,然后考虑副本站点是否节省费用来确定冗余.     

无线传感器网络中(ε,δ)-近似聚集算法

提出了一种基于Bernoulli抽样的近似聚集算法,以满足无线传感器网络(简称WSN)中用户给定的任意精度需求.同时,还提出了两种样本数据的自适应算法,分别用于处理用户的精确度需求以及网络中的感知数据发生变化的情况.理论分析及实验结果表明,所提出的算法在近似结果的精确度、能量开销等方面均优于已有的近似聚集算法.     

基于多阶抽样的高斯混合模型彩色图像分割

针对传统高斯混合模型应用于彩色图像分割时计算复杂度高等问题, 提出一种多阶抽样的高斯混合模型的彩色图像分割算法。首先,给出采样数定理及其证明,并推导出与聚类类别数和最小聚类相关的最小采样数目;其次,设计一罚函数判断抽样优劣,消除抽样对聚类模型影响,根据最小采样数数目,对像素点进行均匀采样,并利用高斯混合模型对采样像素点进行聚类;最后,定义像素点和类之间的距离,对剩余的像素点按距离最近原则进行划分。实验结果表明算法具有有效性。     

Multi-Scaling Sampling: An Adaptive Sampling Method for Discovering Approximate Association Rules

One of the obstacles of the efficient association rule mining is the explosive expansion of data sets since it is costly or impossible to scan large databases, esp., for multiple times. A popular solution to improve the speed and scalability of the association rule mining is to do the algorithm on a random sample instead of the entire database. But how to effectively define and efficiently estimate the degree of error with respect to the outcome of the algorithm, and how to determine the sample size needed are entangling researches until now. In this paper, an effective and efficient algorithm is given based on the PAC (Probably Approximate Correct) learning theory to measure and estimate sample error. Then, a new adaptive, on-line, fast sampling strategy - multi-scaling sampling - is presented inspired by MRA (Multi-Resolution Analysis) and Shannon sampling theorem, for quickly obtaining acceptably approximate association rules at appropriate sample size. Both theoretical analysis and empirical study have showed that the sampling strategy can achieve a very good speed-accuracy trade-off.     

基于顶点的多边形扫描转换

基于新边表出现在有顶点的扫描线上这一特性,提出由顶点y坐标划分扫描线范围和确定活性边表更新的多边形扫描转换算法,该算法避免了对每条扫描线都进行判别。提出确定前后顶点序号的通用算法和通过顶点坐标建立新边表并将新边表与顶点y坐标进行关联的算法。列表比较两种算法的运算步骤,实例运行结果说明新算法具有结构简洁、阅读方便、运行稳定和执行速度快等优点。     

面向主动学习的模糊核聚类采样算法

针对主动学习中构造初始分类器难以选取代表性样本的问题,提出一种模糊核聚类采样算法。该算法首先通过聚类分析技术将样本集划分,然后分别在类簇中心和类簇边界区域选取样本进行标注,最后依此构造初始分类器。在该算法中,通过高斯核函数把原始样本空间中的点非线性变换到高维特征空间,以达到线性可聚的目的,并引入了一种基于局部密度的初始聚类中心选择方法,从而改善聚类效果。为了提高采样质量,结合划分后各类簇的样本个数设计了一种采样比例分配策略。同时,在采样结束阶段设计了一种后补采样策略,以确保采样个数达标。实验结果分析表明,所提算法可以有效地减少构造初始分类器所需的人工标注负担,并取得较高的分类正确率。