结合道路结构化特征的语义SLAM算法

视觉SLAM(simultaneous localization and mapping)是智能车辆领域的研究热点,在包含运动目标干扰或近景特征不显著的场景中,容易产生帧间位姿估计结果精度不足或失效问题.为此,本文提出一种结合场景语义信息和路面结构化特征的SLAM算法.首先,针对上述特殊场景中运动目标干扰的情况,设计带有改进金字塔池化模块的语义分割神经网络,得到图像中各像素对应的目标类别,作为剔除运动像素点的依据,从而避免运动点参与特征匹配导致的位姿计算准确性下降问题;然后,针对有效近景特征点不足的情况,基于V视差算法确定图像中的道路平面区域并拟合出精确的视差方程,以计算路面上像素点的精确视差值,并提出一种基于路面结构化特征(车道线、马路边界、路面交通标记等)的位姿计算方法;最后通过场景实验得出,本文提出的改进算法计算结果的绝对轨迹误差小于原算法.证明该方法能够在存在运动目标干扰或缺乏近景特征的场景中具有较高的位姿估计精度,建立了有效的包含语义信息的稠密点云地图,具有良好的环境适应性.     

一种基于ANTLR的面向Scratch3.0的特征提取和检测系统

Scratch是一种适合少年儿童使用的可视化编程语言,并在全球的编程教育领域中受到广泛地关注.由于目前各大教育编程平台都开始使用Scratch3.0版本,而已有的特征提取和检测系统并不支持新版本,为此,提出了一种基于链表数据结构和一种语言识别工具（ANTLR）的面向Scratch3.0的特征提取和检测系统.实验结果表明,该系统可以有效地从项目中提取编程特征,并为学生和教师提供反馈,其检测性能和检测稳定性比Scratch2.0均有所提升.     

基于时序相关性的云平台多负载序列联合预测

为提高云平台负载预测的精度,提出了一种基于时序相关性的多负载序列联合预测方法.首先,为获得相似的负载序列,采用长短时记忆网络提取负载序列的时序特征,再利用层次聚类法,获得在时序特征空间相似的负载序列类;其次,对获得的每个负载序列类分别构建多任务学习模型,挖掘和利用负载序列间隐藏的共享领域知识,提高模型泛化能力和预测精度,并实现多个负载序列的联合预测.使用Google数据集的中央处理器负载监控日志进行验证,结果表明,时序特征聚类可有效提取和利用负载序列的全局时序特征,降低原始序列的噪声,获得特征上相似的序列;与常用的负载预测方法比,所提方法对不同变化规律的负载序列都具有更精确的预测效果.     

基于支持向量机的特征选择算法综述

特征选择是目前机器学习领域的研究热点之一,特征选择结果的好坏直接影响着分类器的分类精度和泛化性能.首先分析了特征选择算法的框架;其次分析了支持向量机用于特征选择的意义;然后对基于支持向量机的特征选择算法进行了分析和总结;最后从算法实用性角度出发,面向网络数据,探讨基于支持向量机的特征选择算法研究思路.     

基于邻域关系的网络入侵检测特征选择

入侵检测数据集具有数据量大、特征敷众多、连续型数据的特点.粗糙集是一种有效处理不确定性、不一致性、海量数据的有效分类工具,其特点是保持入侵检测数据集的分类能力不变,进行特征选择.为了避免传统粗糙集特征选择方法所必需的离散化过程带来的信息损失,引入邻域粗糙集模型,提出基于邻域关系的网络入侵检测数据特征选择方法.该方法从所有特征出发,根据特征重要度逐步删除冗余的特征,最后得到关键特征组进行分类研究.在CUP99入侵检测数据集上进行特征选择,并进行了分类实验,实验结果表明该方法是有效可行的.     

一种引入冗余控制的特征排序模型

针对特征排序方法较少考虑特征之间的相关关系,导致选择的特征子集存在冗余的问题,提出一种引入冗余控制的特征排序模型。将特征子集判别能力最大且冗余程度最小作为模型的目标函数,以降低特征之间的冗余;使用贪心方法和非线性规划方法对模型进行求解。在9个开源数据上的实验及与特征排序方法比较表明,本模型在大部分数据上,所选择的特征子集能够获得更好的分类准确性且个数更少;使用非线性规划方法求解时,能够直接得到特征子集,有利于确定特征个数。本模型可用于特征之间存在冗余时的特征选择。     

Feature Extraction of Sectorial Scan Image of Thick-Walled Electron Beam Welding Seam Based on Principal Component Analysis

基于主成分分析的厚板电子束焊缝超声相控阵

扇形扫描图像特征提取

刚铁¹,栾亦琳²,张弛¹

(1.哈尔滨工业大学 先进焊接与连接国家重点实验室,哈尔滨 150001;

2.黑龙江科技大学 材料科学与工程学院,哈尔滨 150022)

摘 要：

为解决缺陷识别模型训练时高维数据引起的耗时巨大问题,提出一种基于主成分分析的特征提取算法。从Ti-6Al-4V厚板电子束焊缝超声相控阵扇形扫描图像中提取出7个特征值,代表了原始数据87.3%的信息量。将提取的特征值和原始数据均用于训练支持向量机缺陷识别模型,从缺陷识别准确性和训练时间两个方面评价特征提取算法的有效性。结果表明,采用特征值训练的缺陷识别模型,气孔、裂纹、未熔合和未焊透的识别率分别为93%、 90.7%、94.7% 和 89.3%,略高于采用原始数据训练的模型。采用特征值的模型训练时间相比于采用原始数据的模型训练时间大大降低了。

关键词：电子束焊缝;超声相控阵;扇形扫描图像;特征提取;主成分分析

     

业务设计阶段的能力件组合与交互模型研究

解决能力件交互问题所采用的方法存在两个弱点：检测能力和检测方法不完善．针对这一问题,研究了在业务设计阶段检测能力件交互的方法,提出了采用混合模型表示能力件,即采用状态机和时序逻辑方法描述能力件的行为状态和固有性质．在此基础上提出了基于状态机和时序逻辑的能力件组合理论和能力件交互模型．     

复杂背景下的小目标检测算法

提出一种改进的多类别单阶检测器（SSD）算法. 借鉴特征金字塔算法的思想,将Conv4-3层的特征与Conv7、Conv3-3层的特征进行融合,同时增加融合后特征图每个位置对应的默认框数量. 在网络结构中增加裁剪-权重分配网络（SENet）,对每层的特征通道进行权重分配,提升有用的特征权重并抑制无效的特征权重. 为了增强网络的泛化能力,对训练数据集进行一系列增强处理. 实验结果表明,改进后的算法在VOC数据集（07+12）上的检测效果良好,平均精度均值为80.4%,比改进前的算法提高了2.7%;在COCO数据集（2017）上的平均精度均值为42.5%,比改进前的算法提高了2.3%. 所提算法能够准确检测出不小于16×16像素的目标.     

基于STEP的相交特征识别

目的构建基于STEP的制造特征识别系统,研究系统中的特征识别尤其是相交特征识别的实现方法．方法在VC＋＋6．0和ST—Developer集成环境下,应用MFC类库和ROSE库等进行系统的构建及程序和数据的处理,并以STEP中性文件AP203和AP224分别作为系统的输入和输出文件．结果所构建的系统实现了具有相交特征的制造特征识别,其特征识别技术是采用基于图的特征识别方法;针对特征相交中两种不同类型的相交实体,分别采用不同的方法对加工面邻接图进行了有效的分解．结论以AP203文件作为特征识别系统输入文件,实现特征识别系统与CAD系统的无缝连接;经过特征识别所生成的特征符合AP224中所定义的制造特征模型,有力地支持了基于STEP的CAD＼cAPP＼CAM数据集成技术,所采用的制造特征识别方法能够识别普遍的相交特征．     

齿轮裂纹程度识别的有序分类算法

为识别齿轮裂纹的严重程度信息,提出一种基于有序分类的故障严重程度识别方法.将故障严重程度识别问题视为不同严重程度之间存在序结构,并且部分特征和故障严重程度之间存在单调依赖关系的有序分类问题,从有序分类出发,建立有序分类的故障严重程度识别模型.研究故障严重程度识别中的特征评价和特征选择问题,利用排序互信息指标区分原始特征集中的单调特征和非单调特征,提出单调特征和非单调特征混合存在情况下的有序分类特征选择算法.齿轮裂纹程度识别实验结果表明:提出的有序分类特征选择算法可以降低特征空间维数,能选择出分类能力强的故障特征子集,提高了故障严重程度识别的准确性.     

基于视觉和语义融合特征的阶段式图像聚类

针对互联网图像的特点,研究了图像聚类中的图像特征提取和聚类算法,定义了一个基于规则的线性特征融合函数,引入了自适应的参数选择机制对聚类粒度进行调整,提出了一个基于视觉和语义融合特征的阶段式聚类方法.新方法结合了不同层次的图像特征,利用现有多种聚类算法的优点对图像进行聚类,同时通过关键词权值计算,为每类赋予主题关键词,并将关键词重叠率高的类进行合并.基于均方差和用户评估的实验结果表明,新的聚类方法较传统的聚类方法具有更好的聚类效果.     

基于显著稀疏强关联的脑功能连接分类方法

针对脑功能连接数据维度过高、冗余特征过多影响神经网络分类准确率的问题,提出一种基于显著稀疏强关联的脑功能连接分类方法. 该方法利用显著特征稀疏模块对原始特征进行筛选增强;采用稀疏强关联特征上下文融合模块对不同感受野内的显著特征信息进行聚合;使用全连接神经网络进行分类预测. 在ABIDE以及ADHD-200数据集上的实验结果表明,所提方法相较于现有的脑功能连接分类算法在准确率上分别提升了10.41%和12.50%. 重要特征的可视化结果表明所提方法能准确定位与疾病相关的脑区,具有一定实际应用价值.     

雷达抗欺骗式干扰信号特征提取方法

欺骗式干扰由于与雷达回波特征相近,对军用雷达造成严重威胁,迫切需要研究雷达抗欺骗式干扰新方法。为了分析提取欺骗式干扰和目标回波信号之间的不同特征,从而实现雷达抗欺骗式干扰,该文通过对欺骗式干扰和目标回波数学模型进行分析和仿真,比较了欺骗式干扰和目标回波在幅度起伏、高阶累积量和双谱特征方面的不同特征;并提出了特征提取方法,定义3组特征因子,构建了抗欺骗式干扰特征参数集。通过仿真和外场试验的数据对部分特征进行了验证。     

用于视觉导航自动车辆的统计数字识别方法

通过对图像特征选择不同方法的分析,考虑到图像的全局特征更易被检测到,而且更不易受到噪声和较小的局部失真影响,提出了以全局特征为立足点,即从图像的总体出发,采用图像的灰度均值为主要特征量的特征选择与提取方法。在此基础上,全面分析了数字分块的机理,并采用投影的方法得到了10个数字的特征值。为实现对数字的快速识别,对得到的数字投影值采用了方向特征的处理方法。试验结果表明:有噪声的情况下,通过利用统计原理获得数字特征值能够实现对数字的快速、准确识别,该方法具有较好的抗干扰能力。     

基于特征筛选的云分类器

高维且不独立的样本特征集使分类的准确性降低,笔者提出一种根据样本集特征权值进行特征选择的方法。根据特征间的相似性度量函数计算特征的权重,并根据权重去除重要性差的特征,用于解决高维样本集的特征降维问题,特征选择结果与主成份分析结果一致。建立基于保留特征加权的云分类模型,应用于iris数据集和复杂矿石图像的分类,效果良好。     

基于聚类的SIFT人脸检测算法

为解决在人脸识别领域的特征提取问题,提出一种尺度不变特征转换的SIFT算法与聚类分析相结合的算法.在对人脸特征分类时,通过选取最优化的距离阀值,用聚类理论对生成的SIFT特征进行聚类分析,从而得到若干特征类别.去除一些非主要特征类别,排除其他非目标人脸主要特征的干扰.实验结果表明,改进的SIFT算法比原始算法具有更好的特征匹配效果.     

联合图嵌入与特征加权的无监督特征选择

在特征选择领域, 现有的大多数方法不能同时捕获不同特征有差异的权重, 不能对投影子空间施加正交约束来提高特征的判别力。为此, 本文提出联合图嵌入与特征加权的无监督特征选择方法(Joint Graph Embedding and Feature Weighting, JGEFW)。首先, 通过图嵌入局部结构学习获得相似度矩阵和聚类指示矩阵; 然后利用正交回归获得表征不同特征重要程度的权重矩阵, 以此选择出判别力强且非冗余的特征。此外, 本文还提出了一个交替迭代优化算法来求解JGEFW模型; 最后, 在4个数据集上进行实验验证。实验结果表明, JGEFW的聚类指标在大多数情况下优于其他对比算法。     

基于多尺度特征与注意力机制的轴承寿命预测

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异,影响预测准确性的问题,提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征,作为输入特征集. 将多尺度特征集输入到网络中,以注意力模块为不同特征自适应地分配最佳权重,以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合,通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越.     

掌纹识别中的特征提取算法综述

特征的选择左右着识别的结果,因此特征提取在模式识别中一直占据着重要的地位,如何有效地在高维特征空间中选取一定特征进行分类和匹配是掌纹识别的关键.本文结合近年来发表的文献,按照描述特征的方式进行分类,总结了掌纹识别中的特征提取方法,并对每种方法中的主要算法进行了分析,最后对各种方法的性能进行了比较和展望.