基于视觉的轮式移动机器人导航问题研究

环境建模和路径规划是轮式机器人视觉导航的关键技术。针对传统视觉导航中环境建模实时性较差的问题,提出利用边缘延伸原理对轮式机器人视觉环境进行感知的方法;针对人工势场法在路径规划中出现局部最优解、路径震荡的问题,提出改进的逆势场导向法,给出新的人工势场函数,得到广义上的轮式机器人安全通道;针对轮式机器人路径不能出现急转急停的问题,提出一种曲率映射法,将轮式机器人的运动轨迹映射成曲率,设计相应的平滑路径生成策略。最后给出路径生成的算法,通过仿真研究与实验验证了该算法的有效性和正确性。     

求解高维函数优化问题的交叉熵蝙蝠算法

为改善蝙蝠算法求解高维函数优化问题的全局搜索能力,提高其搜索精度,将交叉熵方法和蝙蝠算法相结合,提出一种交叉熵蝙蝠算法。该算法将基于重要度抽样和Kullback-Leibler距离的交叉熵全局随机优化算法应用于蝙蝠算法中,采用自适应平滑技术提高算法的收敛速度,利用交叉熵方法的遍历性、自适应性和鲁棒性,有效抑制蝙蝠算法的早熟收敛现象。对经典测试函数和CEC2005测试函数的仿真结果表明,该算法具有全局搜索能力强、求解精度高和鲁棒性好等特性。     

基于内容重要性的Storyline可视化局部变形框架

针对Storyline可视化局部放大问题,提出一种基于内容重要性的局部变形框架.首先对可视化领域中局部变形技术进行对比和分析;然后给出了Storyline可视化可视元素及其重要性计算方法,并对重要性较大的实体元素进行放大显示,在高斯函数的指导下对重要会话元素进行局部放大和过渡平滑处理,根据不同位置的权重对线条进行重新定位;最后以Inception交互会话数据为实验数据,将该方法应用到Storyline可视化视图中.实验结果表明,文中方法能够在有限的显示空间中对Storyline可视化视图的整体结构和局部详细信息同时进行协调、友好的可视化.     

以度量分段约束为特征的形状匹配算法

为在形状匹配的过程中利用较少的计算时间获取较高的识别率,同时兼顾形状特征对几何变形的鲁棒性,提出一种以度量分段约束为特征的形状匹配算法.通过提取形状轮廓上采样点间的度量信息,如欧氏距离、三角形半径等,约束每个采样点与整体形状之间的几何关系;进一步,将度量信息进行分段描述,以增强该算法对几何变形的稳定性;最终结合动态规划算法完成形状的匹配.在国际通用数据库上的实验结果表明,文中算法能够快速、有效地实现形状的匹配,且对于形状变形具有较好的适应性;此外,该算法适用于多种几何度量信息,便于扩展和推广.     

基于稀疏表示的信号DOA估计

将信号DOA的估计问题转换为一个联合稀疏表示的求解问题.通过对接收数据矩阵的奇异值分解实现各时间和频率快拍数据的联合;然后通过求解一个平滑l0范数稀疏约束的联合优化问题实现信号源DOA的估计.基于稀疏表示的信号DOA估计方法不仅能够有效地减少数据量,而且具有以下优点:更好的抗噪声性能、更高的计算效率、适用于相关和非相关信号.通过与其他DOA估计方法的比较,表明了该方法的有效性和优越性.     

一种只校正光照分量的图像补偿方法

在光照补偿过程中,基于灰度映射关系的传统补偿方法存在着缺陷,导致补偿后的图像层次过渡不自然,缺乏立体感.本文利用图像光照分量变化缓慢的特点,从图像中分离出光照分量与反射分量,只对光照分量进行Gamma校正来实现光照补偿.实验结果表明该方法有较好的补偿效果.     

MACD与K线图技术在证券投机中的实证研究

利用MACD趋势指标与K线形态图进行相互验证技术,改进一般的基于MACD的证券买卖准则。实证结果表明,基于改进后的MACD买卖准则进行证券投机,几乎能使投机者捕捉到每一波段行情,从而获取较高收益。     

基于Loop细分算法的人体模型网格平滑

网格平滑是实现三维模型离散造型的主要方法。为了实现数字人体几何模型的光顺效果,本文提出一种基于Loop细分算法的三维人体模型的网格平滑方法。细分曲面是用低分辨率的控制网格和定义在控制网格上的一种细分规则来表示曲面的,它能有效改善三维人体几何模型的表面不光滑以及分辨率低的缺点。实验证明,该方法对基于参数化建模方法的、多曲率网格人体模型取得了很好的效果,实现简单高效,特征保持效果也很好。     

基于Legendre正交多项式非参数混合模型的图像分割

针对有限混合模型中参数估计方法对先验假设存在过分依赖的问题,提出了一种非参数的Legendre正交多项式图像混合模型分割方法。首先,设计了一种基于Legendre正交多项式的图像非参数混合模型,并用最小均方差(MISE)估计每一个模型的平滑参数;其次,利用EM算法求解正交多项式系数和模型的混合比。此方法不需要对模型作任何假设,可以有效克服模型失配问题。通过图像的分割实验表明,该方法比其他非参数混合模型分割效果更好。     

空间可变有限混合模型

目的 有限混合模型是一种无监督学习方法,它被广泛的应用到数据分类任务中。然而,在图像分割过程中,由于有限混合模型没有引入邻域像素间的空间关系,导致了图像分割结果对噪声非常敏感。为了增强有限混合模型的抗噪性,提出一种新的空间可变有限混合模型。方法 该模型通过在像素的先验分布中引入一种新的空间关系来降低噪声对图像分割结果的干扰。在构建空间关系的过程中,利用形态学膨胀原理将空间邻域内特征值出现的概率而不是特征值本身进行膨胀操作,然后通过根据具有最大概率的分类标记在高斯混合模型迭代地计算过程中进行局部像素空间平滑,从而起到抑制噪声干扰的作用。结果 本文实验包含了人工合成图像和医学CT图像的图像分割实验。在人工合成图像分割实验中,对人工合成图像添加了不同程度的噪声来测试本文模型和对比模型对噪声抑制能力的高低;对医学CT图像进行图像分割实验,以是比较本文模型与对比模型之间在实际图像分割中的效果。结论 实验数据显示,本文提出的模型在噪声抑制能力上,图像分割精度和计算效率上均有更优的性能。