基于点云的地平面初系数估测

提出了一种基于点云的地平面初系数估测算法。采用八叉树存储包含RGB和空间位置信息点云数据,通过比较相邻两帧树的叶节点来获取运动目标的局部点云。并使用随机采样一致性算法估计,由运动目标局部点云重心所构成的点集上的平面模型参数。同时,采用ISOCLUS算法对场景在法向空间和距离空间上进行两次聚类来分割平面。最终,以运动平面法向信息作为参考因素,从待选平面中标识出地平面点云数据。实验结果显示,该方法可有效地估测出地平面初系数。     

集成学习机制下的鼻炎辅助诊断模型

鼻炎（Rhinitis ）是上呼吸道常见的慢性炎症,具有多种证型和体征。鼻炎临床分类具有样本类型多、类别不平衡特征,属于多输出分类范畴,常出现少数类样本识别率低、综合分类精度差的问题。为此,本文提出异质集成结构分类算法,将鼻炎多输出分类转化为多标签和多类别分类,采用集成学习算法构建异质集成分类器。该方法可根据子数据集中单一类标的不平衡度,自动调节集成森林基学习器数量和深度,有效减少不均衡样本对分类的影响,提高多数类和少数类的总体分类精度,进而提升集成模型的泛化能力。针对临床461例鼻炎样本进行交叉验证分类实验,本文分类模型灵敏度为74.9%,特异性为86.5%,准确度为92.0%,F1为0.783,AUC为0.953。与6种典型模型相比,本文模型具有更好的评估性能,更适合于鼻炎的早期临床诊断。     

移动机器人里程计非系统误差不确定性分析方法

移动机器人里程计非系统误差建模是研究移动机器人定位问题的基础。现有的移动机器人里程计非系统误差建模方法多数针对某一种驱动类型移动机器人设计,运动过程中缺乏对里程计累计误差的实时反馈补偿功能,经过长距离运动过程定位精度大幅度降低。基于此,针对同步驱动和差动驱动轮式移动机器人平台提出一种通用的里程计非系统误差建模方法。在假设机器人运动路径近似弧线基础上,依据里程计误差传播规律推导非系统误差与里程计过程输入量之间的近似函数关系,进而对移动机器人位姿跟踪过程中产生的里程计累计误差给予实时反馈补偿。里程计非系统误差建模前后定位过程的对比试验表明,这种非系统误差实时补偿方法有效地减少了移动机器人导航过程中产生的里程计累计误差,提高了定位精度。     

逐层Transformer在类别不均衡数据的应用

为解决临床医学量表数据类别不均衡容易对模型产生影响，以及在处理量表数据任务时深度学习框架性能难以媲美传统机器学习方法问题，提出了一种基于级联欠采样的Transformer网络模型(layer by layer Transformer, LLT)。LLT通过级联欠采样方法对多数类数据逐层删减，实现数据类别平衡，降低数据类别不均衡对分类器的影响，并利用注意力机制对输入数据的特征进行相关性评估实现特征选择，细化特征提取能力，改善模型性能。采用类风湿关节炎(RA)数据作为测试样本，实验证明，在不改变样本分布的情况下，提出的级联欠采样方法对少数类别的识别率增加了6.1%,与常用的NEARMISS和ADASYN相比，分别高出1.4%和10.4%;LLT在RA量表数据的准确率和F₁-score指标上达到了72.6%和71.5%,AUC值为0.89,mAP值为0.79,性能超过目前RF、XGBoost和GBDT等主流量表数据分类模型。最后对模型过程进行可视化，分析了影响RA的特征，对RA临床诊断具有较好的指导意义。