改进的模糊CMAC神经网络

提出了一种改进的模糊CMAC神经网络（IFCMAC）,该神经网络是在经典的FCMAC神经网络的模糊后相连层和输出层之间引入了输入矢量的线性加权和来补偿逼近的误差,所以它的逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点,在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为IFCMAC神经网络的输入,实验结果表明其具有较高的分割准确性。     

Delphi 与VC++混合编程技术在工控软件中的应用

结合实际开发过程,介绍了柴油调合软件中使用的Delphi与VC混合编程技术及其实现方法,给出了相关的实际例程。     

基于模糊推理模型的专家系统的研究与应用

应用模糊推理理论的思想和方法设计和实现了一个燃煤锅炉事故诊断专家系统。本文详细介绍了系统的基本结构、知识表示和推理机制。系统采用模糊关系矩阵和基于框架的模糊推理相结合的推理方法,具有较高的准确性。最后给出了一个应用实例。     

对苯二甲酸全流程动态仿真培训系统

文章介绍了对苯二甲酸全流程动态仿真培训系统的系统结构,并阐述了各个功能模块的设计思想和实现方法。该系统模拟了整个化工过程的动态特性,并拥有教师指令台以及现场操作站和DCS操作站,可实现对工艺操作员、仪表技术员和组态工程师的培训。     

一种混合曲率流图像除噪方法

基于几何曲线(曲面)演化的图像除噪和恢复是图像处理领域中的一个研究热点.本文利用几何和非线性扩散理论分析最大最小曲率流曲线演化方程,提出结合边缘信息的开关函数控制曲线(曲面)演化的混合曲率流图像除噪模型.实验证明,与其它除噪模型比较,该模型能更好解决曲线演化模型在对图像除噪时边缘保护和噪声去除的问题,提高曲线演化模型的图像除噪能力,并改善图像的可视性.     

近邻中心迭代策略的单标注视频行人重识别

为解决视频行人重识别数据集标注困难的问题,提出了基于单标注样本视频行人重识别的近邻中心迭代策略.该策略逐步利用伪标签视频片段迭代更新网络结构,以获得最佳的模型.针对预测无标签视频片段的伪标签准确率低的问题,提出了一种标签评估方法：每次训练后,将所选取的伪标签视频片段和有标签视频片段特征中每个类的中心点作为下一次训练中预测伪标签的度量中心点;同时提出基于交叉熵损失和在线实例匹配损失的损失控制策略,使得训练过程更加稳定,无标签数据的伪标签预测准确率更高.在MARS,DukeMTMC-VideoReID这两个大型数据集上的实验验证了该方法相比于最新的先进方法,在性能上得到非常好的提升.     

基于块稀疏表示的行人重识别方法

针对非重叠视角下的行人重识别和高维特征提取等问题,提出基于块稀疏表示的行人重识别方法。采取典型相关分析（CCA）方法进行特征投影变换,通过提高特征匹配能力来避免高维特征运算引起的维数灾难问题,并在CCA转换后的投影空间使投影后查询集行人特征向量与相应的数据集特征向量近似成线性关系;利用行人数据集的块结构特征构建行人重识别模型,采用交替方向框架求解优化问题;最后对查询集中要识别的行人采用残差项处理,并将最小残差项所对应的指标作为最终识别的行人记号。在公开数据集PRID 2011、iLIDS-VID和VIPeR上进行多次实验,结果显示所提方法的Rank1性能在三个数据集上分别达到40.4%、38.11%和23.68%,明显高于大间隔最近邻分类（LMNN）等算法,其在Rank-1上的匹配率也远大于LMNN算法;其总体性能也优于经典的基于特征表示与度量学习的算法。实验结果验证了所提方法在行人重识别上的有效性。     

基于稀疏学习的行人重识别算法

行人重识别问题是计算机视觉的重要研究内容之一,旨在将多个非重叠相机中的目标行人准确加以识别。当将某摄像机中的行人图像视为目标行人在该摄像机视图上的一种表示时,行人重识别可被认为是一种多视图学习问题。在此基础上提出的基于典型相关分析的行人重识别算法仅是一种线性降维算法,很难从复杂的重识别系统（如目标行人图像受低分辨率、光照及行人姿态变化等因素影响）中提取有效的高层语义信息,用于行人重识别。为此,本文提出了一种基于稀疏学习的行人重识别算法（Sparsity learning based person re-identification,SLR）。SLR首先通过稀疏学习获取目标行人在每一相机视图上的高层语义表示,然后将高层特征映射到一个公共的隐空间,使不同视图间的特征距离可比较。SLR算法的优点在于通过学习鲁棒的行人图像特征表示,能够获得更具判别性的公共隐空间,以提高算法的行人重识别性能。在VIPeR、CUHK数据集上的实验结果表明了本文算法的有效性。     

一种新的尺度不变特征提取方法

为解决传统尺度不变特征点提取算子计算复杂度高、抗噪能力不强以及特征点位置发生漂移等问题,提出一种基于尺度空间因果关系的尺度不变特征提取方法.首先原图像与高斯函数进行卷积获得高斯平滑图像;然后在原图与高斯图像中分别提取Harris角点作为候选特征点;最后以高斯图像上的候选特征点为中心向原图上投影寻找对应的特征点作为最终的尺度不变特征点.实验结果表明,该算法容易实现、计算效率高、抗噪能力强.该算法能为后续视觉处理提供稳定抗噪的尺度不变特征点.