基于RSS典型性判定的室内定位算法研究

在基于RSS指纹集的定位算法中,相似样本集的质量,是影响定位精度的一个关键性因素;而待定位点的RSS向量,则是影响相似样本点质量的一个重要元素。通过对D-RSS分布规律分析,提出了RSS典型性的概念,并且提出了基于RSS典型性判定的室内定位算法。该算法根据RSS的典型性特征与有效的相似样本点之间的关系,提出了RSS典型性的辨别方法以及与典型性相关的动态K值。通过实验证明,该算法不仅能完整地找出有效的相似样本点,排除非实质性相似点的干扰,而且在不同的定位场景中具有较强的适应性,同时具有较高的定位精度。     

模糊Hopfield网络的收敛性与鲁棒性分析

收敛性与鲁棒性是模糊神经网络的两个重要性质。对带阈值的Max-T模糊Hopfield神经网络（记为Max-T-C FHNN）的收敛性及在训练模式小幅摄动情况下的鲁棒性进行了分析,从理论上给出了严格的证明。发现了采用最大权值矩阵学习算法时,Max-T-C FHNN具有良好的收敛性,同时当T模及其蕴含算子满足Lipschitz条件时,Max-T-C FHNN对训练模式摄动全局拥有好的鲁棒性,用自联想实验验证了理论的有效性。     

机器人关节空间B样条轨迹优化设计

在关节空间中对机器人Ｂ样条轨迹进行了时间了短优化计算,该优化问题模型包括关节角速度、角加速度、角加加速度及力矩４种约束,给出优计算方法,给出了 经计算方法,给出了ＰＵＭＡ５６０机器人前三铰Ｂ样条轨迹优化算例。     

一种基于密度峰值的高效分布式聚类算法

基于密度峰值的聚类算法（DPC）是最近提出的一种高效密度聚类算法。该算法可以对非球形分布的数据聚类,有待调节参数少、聚类速度快等优点,但在计算每个数据对象的密度值和高密度最邻近距离时,需要进行距离度量,其时间复杂度为 。在大数据时代,尤其是处理海量高维数据时,该算法的效率会受到很大的影响。为了提高该算法的效率和扩展性,利用 Spark 在内存计算以及迭代计算上的优势,提出一种高效的基于E2LSH分区的聚类算法ELSDPC（an efficient distributed density peak clustering algorithm based on E2LSH partition with spark）。算法利用DPC算法的局部特性,引入局部敏感哈希算法LSH实现将邻近点集划分到一个区域。通过实验分析表明：该算法可在满足较高准确率的同时有效提高聚类算法的扩展性和时间效率。     

一种参数化模糊联想记忆网络的鲁棒性分析

基于最大运算Max以及带参数ξ的t-模Tξ的模糊关系合成,提出一种参数化的广义模糊联想记忆网络Max-Tξ FAM及一种有效学习算法。由于Tξ中参数ξ的作用,在应用中Max-Tξ FAM有更大的适应性和灵活性。从理论上证明采用该学习算法时,对任意 ,Max-Tξ FAM对训练模式摄动的鲁棒性差。通过一个图像联想方面的实验检验了该结论的正确性。     

反向三I算法的连续性和误差传播

对全蕴涵反向三I算法是否满足连续性问题进行了首次研究,并进一步讨论了这类算法对误差的传播性能.文中把模糊推理算法看成是一个模糊集合到另一个模糊集合的映射,选用海明距离作为两模糊集的距离,证明了在模糊假言推理和模糊拒取式推理情形,该算法都拥有连续性;其对误差的放大幅度为2.     

一种鲁棒性较强的神经元在模糊规则发生摄动时的有效控制

一种基于弱T-范数和弱S-范数的神经元,可以实现与、或和混合-并模糊逻辑运算,并且拥有较强的鲁棒性。将它所组成的神经网络运用到模糊推理系统中,不仅可以简化网络,实现模糊推理最基本的一致性要求,还可以控制在模糊推理过程中当规则发生摄动时对推理结果的影响程度。     

一种连续增量学习模糊神经网络

为获得快速、准确而精简的模糊神经网络,提出一种连续增量学习模糊神经网络(ISL-FNN).将修剪策略引入到神经元的产生过程,用错误下降率定义输入数据对系统输出的影响并应用于神经元的增长过程.在参数的学习阶段,所有隐含层神经元(无论是新增还是已有)的参数使用扩展的卡尔曼算法更新.通过仿真实验,该算法在达到与其它算法性能相当甚至更好的情况下,能获得更精简的结构.     

一般输入的折线模糊神经网络对模糊函数的通用逼近

首先基于一种扩展原理和模糊算术得到一类前向模糊神经网络--折线模糊神经网络.当模糊神经网络的输入为一般模糊数,激励函数为单调连续型Sigmoidal函数时,分析网络的拓扑结构及相关性质.然后证明该折线模糊神经网络能作为模糊连续函数的通用逼近器,其等价条件是模糊函数的递增性.因此关于输入为一般模糊数的折线模糊网络是否为通用逼近器的问题得到解决,且折线模糊神经网络的应用范围将进一步扩大.     

基于改进的背景差分的运动目标实时检测算法

针对传统混合高斯建模算法计算量过大与目标轮廓清晰度小的问题,提出了一种新的运动目标实时检测算法。该算法引入三帧差分的方法,提高了检测目标轮廓的清晰度;通过HSI混合高斯建模前进行分块处理有效减小了计算量,因此算法的实时性有了明显的改善;并利用逻辑运算融合三帧差分与HSI混合高斯模型进行高效的背景提取;最后运用数学形态学方法进一步优化检测结果。实验结果表明,相比混合高斯模型经典算法,该算法能更快速、更准确地检测出智能监控视频序列中的运动目标,并且目标轮廓清晰度也有明显的改善。