TCM-KNN网络异常检测算法优化研究

基于TCM-KNN(transductive confidence machine for K-nearest neighbors)网络异常检测方法,采用过滤器模式的特征选择方法和基于聚类的样本选择方法分别从精简异常检测的特征空间以及选择使用少量高质量的训练样本进行训练,从而高效地对网络异常进行检测.基于著名的KDD Cup 1999数据集的实验表明:这2种优化方法在保证TCM-KNN异常检测算法高检测率和低误报率的前提下,极大地减少了该算法的训练开销和检测开销,因而该轻量级检测方法适用于现实的网络应用环境.     

基于ZigBee的缓变数据采集与处理研究

无线传感器网络的应用一直受能量的制约,因此如何降低系统能耗始终是无线传感器网络的核心问题.研究了一类基于ZigBee的缓变数据监测系统中的数据处理问题,提出了一种改进的数据精简算法.该方法考虑了测量误差,通过综合数字滤波法及改进的数据精简算法,降低了数据通信量,延长无线传感器网络的生命周期.采用三次样条数据插值,对温度数据进行插值,实验结果表明通过该方法得到的温度曲线较为平滑,该方法具有可行性、实用性和推广价值.     

基于方向矢量曲率估算的点云精简研究

逆向工程获得的大量散乱点云数据,不利于后续曲面重构工作,因此需要进行点云精简。文章利用包围盒法分割原始点云数据,确定K邻域的中心点并搜索K邻域点,基于方向矢量曲率计算方法估算曲率,并采用曲率精简原则精简点云。实例证明,该方法对于大量点云精简有明显效果。     

基于F-CNN的雷达目标辨识算法

针对雷达真实目标、地杂波和密集假目标的辨识问题，提出了一种基于分解卷积神经网络的雷达目标辨识算法。以深度可分离卷积为基础建立分解卷积神经网络模型。为了减少模型参数，通过减少卷积核数量和全连接层连接节点数量，减少识别特征种类，建立了精简分解卷积神经网络。实测数据的处理结果表明，该算法与现有卷积神经网络方法相比，精简分解卷积神经网络对真实目标样本、地杂波样本和密集假目标样本具有更高的识别正确率，且精简模型参数数量不到现有方法的十分之一。     

3D-SIFT特征提取与体素滤波结合的点云精简算法

点云数据中的冗余数据会影响到点云处理算法的速度,因此,为提升算法速率,需对点云数量进行精简。然而,点云精简过程容易剔除掉特征点,导致点云信息不完整,效果不好等问题。针对这些问题,提出一种利用3D-SIFT特征提取与八叉树体素滤波结合的点云精简方法。利用3D-SIFT算法提取出点云的强特征点和弱特征点,对弱特征点进行改进的八叉树体素滤波,并保留强特征点,通过点云合并,将滤波后的弱特征点与保留的特征点整合到一起,使得精简后的点云数据不丢失特征点信息,从而也达到了精简的效果。将本算法与均匀网格算法、非均匀网格法、随机采样算法进行对比实验。通过多个不同模型的可视化结果和信息熵评价分析,可以得出对于几种不同模型取平均本算法平均信息熵达到3.771 92,高于其他算法的信息熵,证明本算法在对数据进行精简的同时也达到了特征保留的效果。     

基于改进高斯卷积核的变电站设备红外图像检测方法

在无锚点算法CenterNet模型的基础上,针对基于红外图像的目标检测算法检测精度低、耗时长的问题,给出了一种基于改进高斯卷积核的变电站设备红外图像检测方法,该目标检测方法模型网络结构精简,模型计算量较小.通过现场变电站巡检机器人设备收集数据样本,进行算法模型的训练及验证,实现红外图像变电站设备精准识别及定位.本文以变...     

基于邻域点位置特征的点云数据精简

海量点云数据给存储、传输、处理等带来极大困难。针对现有算法在特征保留与精简后重建模型表面积、体积、重建误差不能兼顾的问题，提出一种基于邻域点位置特征的点云精简算法。该算法根据权值计算投影面、搜寻矩阵大小以及精简比例对目标点云进行精简。将目标点云网格化处理；寻找投影面垂直方向（正、负两个方向），以目标点为中心，获取搜寻矩阵范围内的点；根据搜寻矩阵内点与目标点的位置关系确定其权值；根据所设的精简比例对原始点云进行精简。将所提算法与曲率采样法、均匀网格法和随机采样法进行比较，并从特征保留、表面积和体积变化率这3个方面进行评价。实验结果表明：所提算法的精简结果对特征区域效果优于均匀网格法和随机采样法，与曲率采样法一致；精简结果误差、重建模型的表面积差和体积差总体优于曲率采样法，与随机采样法基本一致，略差于均匀网格法。因此，所提算法既能较好地保留特征，同时又能使重建后的结果模型表面积和体积变化以及误差都较小，综合效果好。     

基于局部熵的点云精简算法

针对目前流行的三维物体激光扫描仪获取的点云数据量大,冗余度高等问题,提出一种基于信息熵的点云精简算法。首先,定义数据点的曲率、点到邻域点重心的距离、点到邻域点的平均距离的倒数,三者乘积为权值积;然后,使用K-means聚类算法划分点云数据,根据类内估计曲率差值区分特征区域与非特征区域;最后,针对特征区域,利用提出的精简方法精简点云。实验结果表明,该方法计算相对简单,能够有效避免孔洞现象,同时,更好地保留了点云数据的原始物理特征。     

基于人工免疫机制的RBF 网络混合训练算法

基于人工免疫聚类机制和免疫进化算法,提出了一种新型的设计RBF 网络的混合算法。该方法利用人工免疫聚类机制,根据输入数据集合自适应地确定RBF 网络核函数的数量及其中心的初始位置。采用免疫进化算法训练RBF 网络,进一步缩小了标准进化算法搜索空间的范围,提高了算法的收敛速度。计算机仿真表明,这种RBF 网络结构精简并具有较强的泛化能力。     

基于人工免疫机制的RBF网络混合训练算法

基于人工免疫聚类机制和免疫进化算法,提出了一种新型的设计RBF网络的混合算法。该方法利用人工免疫聚类机制,根据输入数据集合自适应地确定RBF网络核函数的数量及其中心的初始位置。采用免疫进化算法训练RBF网络,进一步缩小了标准进化算法搜索空间的范围,提高了算法的收敛速度。计算机仿真表明,这种RBF网络结构精简并具有较强的泛化能力。     

面向铁路场景的大规模点云高效去噪方法

利用车载激光雷达获取铁路沿线环境信息对于保障行车安全具有重要意义。但是激光雷达采集到的点云数据受设备及环境因素影响,会产生大量的噪声干扰,这些噪声严重影响后续的感知和监测任务。为此,本文提出了一种面向铁路场景的大规模点云高效去噪方法。该方法提出了一种新颖的网格投影策略,对大规模铁路点云数据进行高效的降维降采样处理。然后,设计了基于GPU的改进聚类加速算法,快速识别离群的噪声数据。最后综合设计多策略融合方法,有效地去除噪声数据。所提方法充分利用铁路场景前向运动的特点,对点云数据进行基于网格化的时空压缩,同时利用GPU加速聚类算法的矩阵运算,实现了实时高效的铁路场景大规模点云去噪算法。实验结果表明,所提方法不仅能够提高去噪的性能,而且处理效率得到了极大提升。     

基于天牛须改进粒子群算法的点云配准方法

为了提高激光点云配准精度与配准速度,采用了基于天牛须算法改进的粒子群算法,以点云分布熵为寻优目标, 寻找最优空间变换矩阵的点云粗配准,为点云精配准提供良好的初始条件。结果表明,点云分布熵较传统的均值平方差评价方式有更快的计算速度,基于天牛须算法改进的粒子群算法具有全局搜索能力强、计算速度快等特点,与传统点云粗配准方法相比,该方法配准速度提升了近25%;在点云数据量大的条件下,表现出较快的配准速度。这一方法对如何提高激光点云配准速度具有参考意义。     

基于深度学习的点云分割研究进展分析

深度传感器及激光扫描技术的快速发展使人们可以轻易地采集到大量的点云数据。点云数据可以提供丰富的场景及对象信息,现已成为自动驾驶、虚拟现实、机器人导航等应用的首选研究对象。作为点云处理的有效手段,点云分割技术受到了各界的广泛关注。尤其是在深度学习的推动下,点云分割的精度和鲁棒性有了很大的提升。该文首先介绍了点云分割存在的问题与挑战,接着从间接、直接处理点云的角度对点云分割近年来的工作进行了对比分析,其中,间接的方法有基于多视图、基于体素的方法两类,对于直接的方法,该文将其归纳为5类,分别为基于点处理、基于优化卷积神经网络、基于图卷积、基于时序和基于无监督学习的方法。然后介绍了每个类别中具有代表性的方法的基本思想,并阐述了每个方法的优缺点。此外,该文还介绍了点云分割的常用数据集以及评价指标。最后对点云分类、分割技术的未来进行了展望。     

距离保持投影非线性降维技术的可视化与分类

 本文对高维数据距离保持投影方法进行了改进和扩展,采用测地线距离代替欧氏距离,能够正确地展开数据所在的流形,同时又准确地保留了每个数据点到其最近邻点和部分近邻点之间的距离.为了减少邻域大小难以选取问题,采取了对邻域大小不甚敏感的P-ISOMAP算法.与原方法和ISOMAP等高维数据降维方法相比,本文方法能更好地对数据进行降维和可视化.并且,为了进行分类,本文扩展了新的分类技术.实验表明本文方法在可视化、降维和分类方面效果不错.     

基于改进欧式聚类算法的双目主动视觉点云目标检测研究

双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。     

改进贪婪投影三角化算法的激光点云快速三维重建

通过三维激光扫描仪获取的点云数据具有密度大、精度高等特点。本文针对贪婪投影三角化算法在对采集的大量点云数据进行三维重建时耗时长,重构的模型表面不够光滑,存在细小孔洞的问题,提出一种改进的点云三维重建算法。该方法首先用体像素网格滤波算法对点云进行下采样;然后使用移动最小二乘算法对输入的点云进行平滑及重采样,并且使用八叉树来代替KD树进行近邻域搜索;最后使用基于移动最小二乘算法的点云法线估计的贪婪投影三角化算法对点云进行重建。经过实验验证,该方法可以缩短重建时间,减少孔洞,并构建出平滑、点云拓扑结构更为准确的模型。     

一种新型的高阶时域有限差分方法

相比于传统高阶时域有限差分算法(FDTD)而言,该文提出了一种改进的高阶FDTD的优化方法,该算法基于安培环路定律,通过计算机技术寻找到一组最优的系数使得FDTD方法的全局色散误差达到最小,通过不同分辨率下的点源辐射模拟证明了该方法在较低分辨率的情况下仍然具有极低的相位误差,对于解决电大尺寸结构建模中的数值色散等问题提供了有效的解决方案。     

复杂轨迹合成孔径雷达后向投影算法图像流GPU成像

相对于基于傅里叶变换的频域成像算法,后向投影( BP)算法因采用时域逐点相干积累,更适合于复杂轨迹合成孔径雷达( SAR)高精度成像。但BP算法计算量巨大,限制了其应用于SAR大场景大数据量快速成像。图形处理器( GPU)具有强大浮点运算和并行处理能力,为大场景BP算法快速成像实现提供了途径。结合GPU并行处理,提出了一种基于图像流的复杂运动SAR大场景BP快速成像处理方法。该方法借助BP算法中图像像素点相互独立处理的特性,采用图像像素点并行及图像流程处理,设计了孔径与图像缓存调度方案,提高SAR大场景大数据BP算法成像效率。仿真和机载实测数据结果验证了方法的有效性,在有限GPU显存条件下实现了8192×8192大场景快速成像,并且成像加速比相对于传统CPU单线程处理可达300倍以上。     

固态激光雷达输电线路实时建模及压缩技术北大核心CSCD

输电线路的三维重建是电网巡检的重要任务之一。为实现电路巡检自动化,提出了一种基于固态激光雷达的输电线路实时三维重建及数据压缩技术。首先,针对固态激光雷达的特点对经典激光SLAM框架进行改进,优化其特征提取过程并加入了运动补偿,使用改进的算法对输电线路进行实时建模;然后,使用加入权重因子改进的模糊C均值聚类方法对点云模型进行降噪滤波,去除离群点及噪点;最后,为了降低大型点云数据的储存及传输开销,设计基于时空编码的方法对输电线路模型进行压缩。实验结果表明,该方法可以实现输电线路场景的高精度实时建模,压缩后的模型可以满足储存及传输要求。     

电力巡线直升机激光扫描数据的高效组织与显示

为了提高激光扫描数据的后处理速度和显示效率，采用了并行化阈值分割构建八叉树结构、对海量点云进行分块处理的方法。基于高差的数据抽稀方法，逐层精简八叉树叶节点中的数据，保存在八叉树外存结构中，构建点云多分辨率细节层次模型。采用视点变化与分页数据库结合的内外存调度策略，对一组电力巡线直升机获取的激光扫描点云数据进行实验验证。结果表明，该方法在八叉树构建速度和海量点云数据显示效率上的优越性，可以很好地满足电力巡线的时效性需求。