一种能实现弱T范数簇运算的模糊神经元模型

基于T／S范数提出了一种新神经元模型，它实际代表了一个神经元数，对文献[3]神经元模型的推广，且能实现广义的“与、或和平均”运算，通过适当地选择T－范围和S－范数，该模型能实现T／S范数簇运算，本文也讨论了该模型对某些运算的封闭能力，以便对由这种神经元构成的网络进行简化时提供依据。     

基于ILCS的多机器人强化学习策略

提出了一种基于改进学习分类器的多机器人强化学习方法。增强学习使机器人能发现一组用于指导其强化学习行为的规则。遗传算法则在现有的规则中淘汰掉较差的,并利用较优的种群规则产生出新的学习规则。规则合并能提高多机器人的并行强化学习效率,使多个机器人自主地学习到相互协作的最优策略。算法的分析和仿真表明,将改进的学习分类器用于多机器人的强化学习是有效的。     

基于证据理论处理移动机器人视觉信息的一种方法

本文阐述了一种表示多源视觉传感信息的有效方法和一种基于Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论的多传感器信息融合技术。着重分析了移动机器人视觉传感器信息中存在的相关性及其解决方法，提出了相关函数、相关证据等概念，并针对证据之间存在的相关性给出了一种改进的综合函数。     

基于红外图像的地面自主车导航的道路边界检测

讨论了用于地面自主车(ALV)视觉导航的红外道路图像的特点, 论述了红外道路图像的预处理策略和方法, 分析了一些常用的图像处理方法在处理红外道路图像时的缺陷, 指出由于温差的渐变性, 红外道路图像的路边检测特别适合使用阈值穷举法, 并给出了在温度渐变的路边上边缘强度的求取方法和使用二阶微分算子得到边界线段的精确位置的方法。同时使用了边缘信息和灰度信息来提取道路边界信息, 阈值穷举法和二阶微分算子得到的道路边界线段相互融合, 得到候选的道路边界线段, 在ALV 的实际应用中取得了很好的效果。     

四元数域彩色图像整体式水印算法

该文提出一种结合四元数变换域和四元数分解方法的整体式彩色图像水印算法。首先对彩色载体图像进行分块四元数傅里叶变换得到其频域矩阵,然后对频域单位小块进行四元数奇异值分解,根据分解得到四元数酉矩阵前若干列中对角线元素的幅值构造水印序列,并将水印隐藏到分解得到的实系数奇异值中。仿真实验表明,该文提出的水印方法不仅可以把嵌入水印带来的误差扩散到载体图像的各个颜色分量上,而且比传统的将彩色图像划分为各个单独色彩通道,分别进行水印嵌入的方法不可见性更好,并且,通过构造与奇异值酉矩阵相关的水印序列可以有效解决现有四元数水印算法存在的误检测率以及水印图像易伪造问题。     

中文日期词的分割与识别

非限定性手写汉字串的分割与识别是当前字符识别领域中的一个难点问题.针对手写日期的特点,提出了整词识别和定长汉字串分割识别相结合的组合识别方法.整词识别将字符串作为一个整体进行识别,无需复杂的字符串分割过程.在定长汉字串分割过程中,首先通过识别来预测汉字串的长度,然后通过投影和轮廓分析确定候选分割线,最后通过识别选取最优分割路径.这两种分割识别方法通过规则进行组合,大大提高了系统的性能.在真实票据图像上的实验表明了该方法的有效性,分割识别正确率达到了93.3%.     

表格型票据中框线检测与去除算法

字符笔画与表格线的粘连或交叠是表格型票据中普遍存在的现象,严重影响了后期票据自动识别处理的性能.现有方法大多基于二值图像,未能充分利用灰度图中的框线特征.基于票据图像中的框线特征,提出一种表格型票据预处理中的框线检测与去除算法,首先充分利用票据灰度图像的特点准确地检测出框线,再采用一种连通链结构描述叠加后的框线区域,然后对交叠进行判断和标记,根据标记保留字符笔划去除框线干扰.经过实际银行支票图像测试证明了算法的有效性和鲁棒性.     

矢量量化压缩图像中的安全隐写方法

提出一种用于矢量量化压缩图像的安全数据隐藏方案.为降低数据嵌入引入的失真,以码字间的矢量均方差为优化指标,采用遗传算法实现码本的优化分割,并提出基于码本分割的数据嵌入算法.采用基于自适应算术熵解码的数据映射方法,实现了嵌入前后统计特性的保持.实验结果表明,所提出的算法在容量、失真水平和安全性方面具有较好的综合性能.     

基于DDCT与TCSVD的人脸特征提取与识别算法

提出一种基于分块离散余弦变换(DCT)与奇异值分解阈值压缩(TCSVD)的人脸特征提取与识别算法。该算法对人脸图像进行分块DCT变换,根据图像块位置和能量分布选择不同的DCT高低频分量构建特征矩阵,通过对每个图像块的特征矩阵进行SVD阈值压缩和特征组合来构建人脸鉴别特征,并利用分类器进行特征分类与识别。AR人脸库上的实验结果验证了该算法的有效性。     

基于特征选择和协同模糊聚类的模糊建模研究

为了提高模糊模型辨识效率,提出了一种新的模糊模型建摸方法,该方法由两步组成：（1）采用基于特征相似性的特征选择方法,去除原始数据的冗余;（2）利用协同模糊聚类与G-K相结合的算法初始化模糊模型,使其前件和后件参数得到优化。采用该算法对有效的特征进行协同模糊聚类,模型参数得到改善,提高了模糊模型辨识的效率。模糊建模的实验结果表明了该方法的有效性。