一种新的三维表面重建方法——基础矩阵法的研究

基础矩阵法是计算机视觉领域的一个新热点。为克服8点法对噪声敏感的缺点,文中将求解基础和左阵的问题转化为带约束的最优化问题,并最终提出一种抗噪声能力强且易于实现的鲁棒性算法。     

矩阵损失下不可估函数的线性估计的可容许性

一般线性模型可估函数的可容许估计问题已有详细的讨论.对一般线性模型在矩阵损失下,得到了不可估函数的线性估计为可容许估计的充要条件.     

基于中心距离比值的增量支持向量机

研究了支持向量、中心距离比值、边界向量以及增量学习之间的关系，提出了基于中心距离比值的增量支持向量机。与传统方法相比，基于中心距离比值的增量支持向量机有效的利用了中心距离比值，解决了CDRM+SVM的阈值选取问题；且适合于增量学习；从而在保证了支持向量机的分类能力没有受到影响的前提下提高了支持向量机的训练速度。     

基于相似压缩的近似线性SVM

为了解决模式识别中的近似线性可分问题,提出了一种新的近似线性支持向量机(SVM).首先对近似线性分类中的训练集所形成的两类凸壳进行了相似压缩,使压缩后的凸壳线性可分;基于压缩后线性可分的凸壳,再用平分最近点和最大间隔法求出最优的分划超平面.然后再通过求解最大间隔法的对偶问题,得到基于相似压缩的近似线性SVM.最后,从理论和实证分析两个方面,将该方法与线性可分SVM及推广的平分最近点法进行了对比分析,说明了该方法的优越性与合理性.     

预抽取相对较近边界向量的选块算法

利用支持向量机中支持向量的稀疏性和支持向量分布于分划超平面周围的性质,该文提出了一种预抽取相对较近边界向量的选块算法的新算法,该算法减少了普通选块算法的迭代次数和提高了仅依靠相对较近边界向量的准确率,从而大大加快了支持向量机的训练速度,且支持向量机的分类能力不受任何影响。     

基于类中心思想的去边缘模糊支持向量机

针对两类分类问题中样本点数量多、类别模糊且有孤立野点的情况,论文在类中心向量方法的基础上,提出了一种基于类中心思想的去边缘模糊支持向量机,该方法用类中心思想预先去掉那些可能不是支持向量的点,并采用降半哥西分布作为隶属度,使其适合模糊分类的性能特点。从理论和实证分析两个方面将该方法与线性可分SVM及模糊SVM进行了对比分析,结果显示该方法不但大大减少了训练点数目,从而减小了内存和计算量,提高了训练速度,而且减少了孤立野点对支持向量分类机的影响。     

基于最小超球体的快速分类法

文章提出了两种快速分类的方法——基于最小超球体的平分最近点法和基于最小超球体的按比例划分法。前者只对分别包含正、负类训练点的两类超球体线性可分的情形有效,后者则适用于线性可分和近似线性可分的两类分类问题,且在确定分划超平面时融入了对训练集分布特征的考虑。两种方法皆借鉴了平分最近点法的思想,结合超球体的几何特征,用解析几何方法就可求得分划超平面,从而避免了求解二次规划,大大缩短了训练时间,减小了内存占用量,尤其在处理大规模数据集时优势更为明显。两种方法的特点及其和平分最近点法的对比在实证中都给予了分析说明。     

双目立体视觉中物点定位的一种快速算法

在分析了双目立体视觉中物点定位的最小二乘法和归一化的最小二乘法的原理和不足后,本文给出了 公垂线中点法的一种简便的计算公式并给出了相应的快速算法．实验结果表明,与最小二乘法和归一化的最小二乘 法相比,本文所提的快速算法不仅计算简单,而且具有更优良的抗噪性．     

一种改进的线性SVM

对模式分类中的近似线性可分问题提出了一种新的近似线性支持向量机（SVM）：先对近似线性分类中的训练集所形成的两类凸壳进行了相似变形,使变形后的凸壳线性可分,再用平分最近点和最大间隔法求出理想的分划超平面,然后再通过求解最大间隔法的对偶问题得到基于相似压缩的近似线性SVM。此外,还从理论和实证分析两个方面将该方法与线性可分SVM及已有的近似线性可分SVM进行了对比分析,说明了该方法的优越性与合理性。     

卡尔曼滤波在地形辅助导航的应用中系统误差协方差矩阵Q的模拟

采用卡尔曼滤波技术进行地形辅助导航是提高导航精度的方法之一。卡尔曼滤波理论上要求束先了解系统误差的统计特征,在实际课题的应用中这一要求往往不能满足。文中结合地形辅助导航的应用背景,给出了系统误差最重要的统计特征－－协方差矩阵Ｑ的一种模拟方法,在实际应用中效果良好。