一种铝轴承座的加工

本文分析了一种铝轴承座零部件的结构特点,并据此另辟蹊径,全新考虑了其加工工艺,列出了工艺参数,设计了刀杆及软爪,并加工出了合格零部件。     

基于最佳逼近点的不变性常识与SVM的融合方法

不变性常识与支持向量机的融合技术是近年来支持向量机研究的重点之一,将不变性常识融合于学习模型,有助于提高模型的泛化能力.提出了一种新的不变性常识与支持向量机的融合方法,该方法通过最佳逼近点来代表不变性变换形成的轨迹簇将不变性常识融合于SVM.将该方法应用于MNIST手写数字数据库,与经典SVM方法及VirtualSV(VSV)方法的对比实验结果表明,该方法可以提高SVM的泛化能力.     

改进的块匹配五台山壁画修复算法

针对五台山壁画破损区域形状不规则、大小不均匀,采用Criminisi算法修复时易出现错误填充的问题,提出一种改进的块匹配五台山壁画数字化修复算法.首先在计算优先权,除置信度与数据项之外引入分散度项,确保信息最丰富的块被优先修复;然后结合图像块结构的整体性将协方差因子引入相似度计算中,以减少错误填充率.对五台山破损壁画进行数字化修复的实验结果表明,该算法较好地解决了Criminisi算法的错误填充问题.     

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.     

基于串行交叉混合集成的概念漂移检测及收敛方法

概念漂移处理大多采用集成学习策略,然而这些方法多数不能及时提取漂移发生后新分布数据的关键信息,导致模型性能较差。针对这个问题,本文提出一种基于串行交叉混合集成的概念漂移检测及收敛方法（Concept drift detection and convergence method based on hybrid ensemble of serial and cross,SC_ensemble）。在流数据处于平稳状态下,该方法通过构建串行基分类器进行集成,以提取代表数据整体分布的有效信息。概念漂移发生后,在漂移节点附近构建并行的交叉基分类器进行集成,提取代表最新分布数据的局部有效信息。通过串行基分类器和交叉基分类器的混合集成,该方法兼顾了流数据包含的整体分布信息,又强化了概念漂移发生时的重要局部信息,使集成模型中包含了较多“好而不同”的基学习器,实现了漂移发生后学习模型的高效融合。实验结果表明,该方法可使在线学习模型在漂移发生后快速收敛,提高了模型的泛化性能。     

数据拟合中光滑参数的优化

数据的函数化是函数数据分析(Functional Data Analysis,FDA)的基础,也是区别于其它分析方法的关键步骤。数据拟合作为数据函数化的主要方法,通常可转化为损失函数和正则项的优化问题,其中的光滑参数就起着权衡损失和过拟合风险的作用。在光滑参数的选择方法中,广义交叉验证(Generalized Cross-Validation,GCV)是一种通用而且较好的参数选择方法,然而GCV是对离散值进行计算,欲得到较准确的光滑参数仍需做大量的计算。针对此问题,提出拟合优化和差分两种求解策略以提高最优光滑参数的求解效率,并在算法精度及效率方面进行了比较分析。在模拟数据和真实数据上的实验结果表明:两种策略与常用的网格法相比,求解效率有较大提高,且算法精度方面几乎相同,此外差分求解策略在精度方面略优于拟合优化求解策略,而拟合优化求解策略的效率更高。     

多特征三维稠密重建方法

基于图像的立体重建技术直接通过多幅二维图像获取物体的三维数据模型,建模自动化程度高,且不需要任何先验信息和特殊硬件支持。但对于具有精致雕刻的中国古式建筑以及非平行拍摄的大型室外场景,现有的基于图像的三维重建技术重建模型往往存在细节信息丢失、数据散乱现象,使得重建结果不够精确。针对这一问题,综合考虑模型的光照信息、纹理阴影、凹凸感等多种特征,通过给出特征候选点匹配策略及对初始点云的可靠性排序,提出了一种多特征三维稠密重建算法MFPMVS（patch with multiple features based multi-view stereopsis）。实验表明,MFPMVS算法与经典的PMVS（patch based multi-view stereopsis）算法相比,重建得到的三维点云更加密集;凹凸感较强的模型重建细节更为细腻;仰拍得到的模型重建结果中漏洞明显减少,边缘细节信息更加完整。算法能够更稳定、鲁棒地重建出物体的三维模型,具有很高的实用价值。     

一种基于球状分布的SVM核选择方法

核选择是支撑向量机(Support Vector Machine,SVM)研究中的核心问题之一。提出了一种基于数据分布特征的SVM核函数选择的方法。分析了几种常用核函数的性能,提出了判断数据呈球状分布的方法,探讨了SVM核函数及其参数选择与数据分布的相关性。数值实验说明了该方法的可行性与有效性。     

弹性中厚板模态特性的近似计算方法

文中介绍了求解中厚板振动模态特性的一个近似方法一模态摄动法。这一方法是在薄板模态子空间内实施,最后将复杂的偏微分方程的求解转化为一个代数方程组的求解。对于四过简支板,得到一个十分简单的计算公式。文中还对剪切变形和转动惯量以及剪切折合系数对四过简支厚板固有频率的影响进行了分析。算例表明,这一方法简单且具有较好的精度。     

一类改进的埃尔米特核函数

核函数及其参数的选择是决定支持向量机(support vector machine,SVM)分类性能的关键。基于埃尔米特多项式,利用三角核函数构造并证明了一类改进的埃尔米特核函数——三角埃尔米特核函数。该类核函数含两个核参数,其中一个核参数可由样本点到样本均值的距离简单确定,而另一个核参数仅在自然数集中选取,从而简化了该类核函数的参数优化。在双螺线数据集、棋盘格数据集及7个UCI数据集上的实验表明,该类核函数比常见的多项式核函数、高斯核函数及文献[6]提出的埃尔米特核函数有着更好的泛化性能和鲁棒性。