局部表面拟合的点云模型法向估计及重定向算法

为了提高对点云模型处理的有效性,提出一种对点云模型的法向估计和重定向方法.首先利用基于局部平面拟合的主元分析方法得到初步法向估计;然后改进移动最小二乘曲面实现局部曲面拟合,进一步得到更加准确的法向,实现了点云模型的去噪光顺;最后通过增加切向约束规则来修正法向重定向中的法向传播方向.实验结果表明,对于具有复杂细节(如紧邻面、尖角形状等)的点云模型,该方法可以提高法向计算的准确度,并得到光顺的点云模型.在实际应用中,该方法可以很好地应用于点云模型的预处理,为后续的模型处理和分析提供良好的数据基础.     

点云模型基于几何特征增强与保特征曲面拟合的法向估计方法EI北大核心CSCD

现有法向估计中,尤其是模型中存在较大噪声的情况下,目标点邻域的选择是一个关键且困难的问题.针对点云模型,为了提高法向估计准确度,提出一种自适应选择邻域且保特征、抗噪声的法向估计方法.首先,提出双边非局部特征增强模块,根据网络前置学习特征以及邻域点几何特性对点邻域进行加权选择,并据此对局部特征进行增强,以提升网络对模型局部几何特征学习的能力;然后,采用局部特征与全局特征相结合的形式刻画点云完备的几何特征,并以此为基础进行局部曲面拟合及法向估计;最后,在局部曲面拟合中提出邻域保特征损失,依据邻域点受噪声干扰度对邻域点的拟合权重进行调整,实现保细节特征的局部曲面拟合,提高对噪声的鲁棒性.实验使用PCPNET数据集进行模型训练和测试,大量定性与定量的实验结果表明,与相关方法相比,所提方法对于不同噪声级别以及不同密度分布等复杂情形都可取得更加准确的法向估计结果,并更好地推动曲面重建等点云处理应用.     

三维点云法向量估计综述

由于获取方便、表示简单、灵活等优势,点云逐渐成为常用的三维模型表示方法之一。法向量作为点云必不可少的属性之一,其估计方法在点云处理中具有重要的位置。另一方面,由于点云获取过程中不可避免的噪声、误差和遮挡,点云中通常含有噪声、外点和空洞,并且部分采样模型如CAD模型,也会存在尖锐特征,这些都给法向量估计提出了挑战。对当前已有的点云法向量估计算法进行综述,分析其原理及关键技术,着重分析它们在处理噪声、外点和尖锐特征等方面的能力并给出比较,最后为未来研究提供了一些建议。     

零件点云法向量估计的多尺度特征融合网络

为了解决机械零配件点云处理中非均匀采样干扰、尖锐特征损失等难点,提出一种基于深度神经网络多尺度融合的点云法向量估计方法.该网络在不同邻域尺度下集成了采样点细节与点云块整体两种特征.为了使该多维回归输出网络的训练更稳定且能缓解梯度爆炸问题,重新设计了一个光滑的损失函数.实验结果表明,该方法性能优于传统的方法以及HoughCNN、PCPNet等方法,能够更准确地估计尖锐边缘的法向量,对点云各种噪声和采样方法鲁棒性都更强.     

一种基于各向异性高斯核核惩罚的PCA特征提取算法

提出了一种基于各向异性高斯核核惩罚的主成分分析的特征提取算法.该算法不同于传统的核主成分分析算法.在非线性数据降维中,传统的核主成分分析算法忽略了原始数据的无量纲化.此外,传统的核函数在各维度上主要由一个相同的核宽参数控制,该方法无法准确反映各维度不同特征的重要性,从而导致降维过程中准确率低下.为了解决上述问题,首先针对现原始数据的无量纲化问题,提出了一种均值化算法,使得原始数据的总方差贡献率有明显的提高.其次,引入了各向异性高斯核函数,该核函数每个维度拥有不同的核宽参数,各核宽参数能够准确地反映所在维度数据特征的重要性.再次,基于各向异性高斯核函数建立了核主成分分析的特征惩罚目标函数,以便用较少的特征表示原始数据,并反映每个主成分信息的重要性.最后,为了寻求最佳特征,引入梯度下降算法来更新特征惩罚目标函数中的核宽度和控制特征提取算法的迭代过程.为了验证所提出算法的有效性,各算法在UCI公开数据集上和KDDCUP99数据集上进行了比较.实验结果表明,所提基于各向异性高斯核核惩罚的主成分分析的特征提取算法比传统的主成分分析算法在9种公开的UCI公开数据集上准确率平均提高了4.49%.在KDDCUP99数据集上,所提基于各向异性高斯核核惩罚的主成分分析的特征提取算法比传统的主成分分析算法准确率提高了8%.     

一种基于数据挖掘的HIFU温度估计方法

高强度聚焦超声(HIFU)是一种无创、低费用的新型肿瘤治疗手段。但是目前仍无一种有效的HIFU无损温度监控及检测治疗方法可应用于临床。该文采用数据挖掘中的回归分析模型,挖掘HIFU焦域处超声剪影图像中可用于温度估计的信息。结果表明在70℃以下的温度范围,采用该回归方程进行温度估计的精度为3℃。     

基于主成分分析的分块视频噪声估计

噪声估计在视频去噪领域具有重要的研究意义.实际生活中的噪声都是未知的,然而现存的视频去噪算法通常都假定视频的噪声水平是已知的,本文提出一种基于主成分分析（Principal component analysis,PCA）的分块视频噪声估计算法.首先,基于帧间进行块匹配寻找相似块,得到差分图像以消除视频运动的影响;其次,将正态分布函数作为阈值函数简化噪声估计算法模型;最后,设置明确迭代指标使得估计的结果更加精确,且降低了计算复杂度.主观视觉效果和客观指标对比表明,本文提出的基于主成分分析的分块视频噪声估计算法比其他优秀的噪声估计算法误差小同时鲁棒性高,能准确地估计视频噪声.     

Bagging-SVM集成分类器估计头部姿态方法

针对现有常用分类器性能不能满足头部姿态估计对准确率的要求,以及光照变化影响头部姿态估计准确率的问题,提出了一种基于Bagging-SVM集成分类器的头部姿态估计方法。首先,通过图片预处理和Adaboost检测人脸区域算法减少背景、光照等干扰因素对于头部姿态特征提取的影响。其次,采用融合方向梯度直方图(HOG)特征和局部二值模式(LBP)特征分别对人脸的轮廓特征和纹理特征进行提取。然后,通过主成分分析(PCA)对融合的头部姿态特征进行特征选择,抽取其主元特征分量供分类器进行训练。最后,通过Bagging方法构建多个训练数据集,并采用支持向量机(SVM)对每个数据集进行训练,产生多个弱分类器,多个弱分类器投票决定测试样本所属类别。将该算法在Pointing’04数据集、CAS-PEAL-R1数据集和自建数据集上进行验证实验,实验结果表明提出的算法相比线性判别分类器(LDA)、朴素贝叶斯分类器(NB)等常用分类算法具有更高的分类准确率,对光照的变化具有较好的鲁棒性。     

基于主成分估计的极限学习机方法

极限学习机(Extreme Learning Machine,ELM)是一种单隐层前馈神经网络(Single-hidden Layer Feedforward Neural Networks,SLFN),它相较于传统神经网络算法来说结构简单,具有较快的学习速度,以及良好的泛化性能等优点。由最小二乘法(Least Square,LE)计算得出的输出权值,往往由于设计矩阵为奇异矩阵,得到的权值有较大偏差,遇到有噪声的数据时,算法的鲁棒性无法保证。主成分估计是对最小二乘估计的一种改进算法,主成分估计能有效的改善设计矩阵奇异造成的影响,能有效的提高网络模型的鲁棒性和抗噪能力。提出了一种基于主成分估计的极限学习机方法(PC-ELM),实验结果表明,此方法能有效提高算法的鲁棒性和泛化能力。     

基于拟似然估计方法的软件失效预测模型

软件缺陷预测是软件可靠性研究的一个重要方向。由于影响软件失效的因素有很多,相互之间关联关系复杂,在分析建模中常用联合分布函数来描述,而实际应用中难以确定,直接影响软件失效预测。基于拟似然估计提出一种软件失效预测方法,通过主成分分析筛选影响软件失效的主要影响因素,建立多因素软件失效预测模型,利用这些影响因素的数字特征(均值函数和方差函数)以及采用拟似然估计方法估计出模型参数,进而对软件失效进行预测分析。基于两个真实数据集Eclipse JDT和Eclipse PDE,与经典Logistic回归和Probit回归预测模型进行实验对比分析,结果表明采用拟似然估计对软件缺陷预测具有可行性,且预测精度均优于这两种经典回归预测模型。     

An adaptive normal estimation method for scanned point clouds with sharp features

Normal estimation is an essential task for scanned point clouds in various CAD/CAM applications. Many existing methods are unable to reliably estimate normals for points around sharp features since the neighborhood employed for the normal estimation would enclose points belonging to different surface patches across the sharp feature. To address this challenging issue, a robust normal estimation method is developed in order to effectively establish a proper neighborhood for each point in the scanned point cloud. In particular, for a point near sharp features, an anisotropic neighborhood is formed to only enclose neighboring points located on the same surface patch as the point. Neighboring points on the other surface patches are discarded. The developed method has been demonstrated to be robust towards noise and outliers in the scanned point cloud and capable of dealing with sparse point clouds. Some parameters are involved in the developed method. An automatic procedure is devised to adaptively evaluate the values of these parameters according to the varying local geometry. Numerous case studies using both synthetic and measured point cloud data have been carried out to compare the reliability and robustness of the proposed method against various existing methods.     

A kernel-based parametric method for conditional density estimation

A conditional density function, which describes the relationship between response and explanatory variables, plays an important role in many analysis problems. In this paper, we propose a new kernel-based parametric method to estimate conditional density. An exponential function is employed to approximate the unknown density, and its parameters are computed from the given explanatory variable via a nonlinear mapping using kernel principal component analysis (KPCA). We develop a new kernel function, which is a variant to polynomial kernels, to be used in KPCA. The proposed method is compared with the Nadaraya-Watson estimator through numerical simulation and practical data. Experimental results show that the proposed method outperforms the Nadaraya-Watson estimator in terms of revised mean integrated squared error (RMISE). Therefore, the proposed method is an effective method for estimating the conditional densities.     

侵蚀坡面数字高程模型重构算法研究

构建具有微地貌的数字高程模型是坡面水蚀模拟的基础工作。针对定距邻域内插法的不足,提出了由点云构建侵蚀坡面的Delaunay三角内插法。该算法包括投影、三角化、分割和插值等步骤,利用主元分析法计算坡面点云的主轴和次轴并将其与坐标轴对齐,再由Delaunay三角化生成不规则三角网,将其分割为指定分辨率的规则格网,由三角线性插值得到格网单元的高程。试验结果表明,当邻域搜索半径与格网单元边长之比约为1.414时,定距邻域内插法的性能达到最优;当点云含有较多侵蚀坑等微地貌信息时,Delaunay三角内插法优于定距邻域内插法。     

基于PCA特征和融合特征的ECG身份识别方法

ECG作为一种活体生物特征用于身份识别在国际上引起了广泛重视.针对基于解析特征的ECG身份识别方法对特征点检测精度要求较高的缺点,提出一种仅需R波峰值点检测的ECG身份识别方法,该方法通过有针对性的设定相应阈值,将PCA特征和小波融合特征方法相结合.实验结果表明该方法优于PCA特征方法、波形特征方法和小波特征方法,既减少了特征点检测的复杂性和特征点检测不准确带来的误差,又可获得较高的识别率,是一种实时、高效算法.     

近邻标准化样本核特征量驱动的间歇过程故障检测

针对间歇过程的多工况和非线性特征,提出一种基于近邻特征标准化(Nearst Neighborhood Feature Standardization,NNFS)样本的核特征量(Kernel Feature Statistics,KFS)故障检测方法。首先,将间歇过程数据按批次方向展开构成二维建模样本,计算每个样本的局部近邻,采用近邻特征实现标准化,提取多工况批次之间的正常偏差,克服Z-score标准化将多工况过程数据看作一个整体而造成的不准确问题。其次,通过核方法将经过标准化后的样本映射到高维空间,在核空间建立监视模型,计算特征量,并提出采用方差分析(variance,VAR)方法确定核参数,通过核密度估计法确定统计控制限。最后,在青霉素发酵过程进行仿真研究,通过比较表明了所提方法的有效性。     

一种基于PCA的MPSK信号码元速率估计方法

针对MPSK信号的码元速率估计问题, 研究了有限数据条件下循环谱的谱线特征受到背景色噪声干扰的现象, 提出了一种基于主分量分析(PCA)的循环谱特征码元速率估计方法。PCA变换抑制了信号循环谱中的背景色噪声, 提高了估计精度, 减小了估计方差。仿真表明, 该方法在有限数据条件下具有良好的估计性能, 适用于不同成形滤波系数的MPSK信号。     

基于主分量分析的宽带DOA估计自聚焦算法

提出了一种基于主分量分析(PCA)的CSM类宽带DOA估计自聚焦算法,利用子空间投影变换将信号分离后应用PCA算法快速估计信号DOA,通过不断更新聚焦方向实现自聚焦.与已有算法相比,该算法不受DOA初始值的影响,有更好的聚焦精度.聚焦矩阵更新过程中无需再做奇异值分解,用PCA迭代算法替代特征分解过程,计算量小.仿真实验结果表明,该算法以较小的计算代价实现了较好的估计精度.     

A maximum noise fraction transform with improved noise estimation for hyperspectral images

Feature extraction is often performed to reduce spectral dimension of hyperspectral images before image classification. The maximum noise fraction(MNF) transform is one of the most commonly used spectral feature extraction methods. The spectral features in several bands of hyperspectral images are submerged by the noise. The MNF transform is advantageous over the principle component(PC) transform because it takes the noise information in the spatial domain into consideration. However,the experiments describ...