基于机器学习的无人机载LiDAR数据处理系统研究

为了进一步减少无人机载激光雷达传输给飞行控制器的数据量,对已有的一种数据预处理系统进行改进。无人机避障过程中,用于测量障碍物信息的激光雷达数据中存在着无效、冗余等数据,这些多余数据给无人机飞行控制器带来巨大的数据处理负担。在已有的数据处理系统的基础上,改用基于密度的具有噪声的聚类方法(DBSCAN)辨认障碍物,把测量为连续线性的点识别为一个物体。实验证明,改进系统不但大幅减少了传送给飞行控制器的数据量,而且构建出激光雷达原数据中不存在的障碍物的宽度信息,还将辨识障碍物的准确率提高多达53%。     

具有方向感知功能蚁群算法的路径规划设计

传统蚁群算法在进行路径规划时收敛速度较慢,容易陷入停滞现象等缺点。为此,文章通过模拟蚂蚁的自然生理特征,给每只蚂蚁人工添加上感知能力,提出了一种具有方向感知适应能力的蚁群算法,并将其应用到路径规划中。经过大量实验测试结果表明,该算法具有较强的搜索能力,不易陷入局部最优,且能快速搜索到一条全局优化的路径。     

基于脑网络和TSK模糊系统的癫痫脑电识别

脑电检测是癫痫疾病诊断的重要手段,但基于脑电信号特征的人工标记方法,对癫痫发作状态识别的准确度较低。将脑功能网络与TSK模糊系统相结合,提出一种癫痫脑电信号识别的新方法。通过分析多通道脑电信号之间的同步性,构建癫痫患者的脑功能网络,采用复杂网络方法提取特征参数;以脑网络参数为输入特征建立TSK模糊系统模型,通过监督式学习训练分类器,用于识别癫痫发作期的脑电波形。实验结果证明了该方法的有效性,模糊分类器对癫痫发作状态识别的准确度达到98.36%,99.48%敏感度和97.24%特异度。该方法将复杂网络与机器学习算法相融合,为通过脑电检测识别癫痫疾病状态提供了新方法,具有重要的应用价值。     

WSNs中基于通用回归神经网络的目标跟踪算法

基于接收信号强度指示(RSSI)的移动目标定位和跟踪常采用三边或角度测量定位技术。尽管该技术简单,易实施,但由于RSSI值与距离间的非线性关系,它们容易导致较大的定位误差。通用回归神经网络(GRNN)能够快速训练稀疏数据集。提出基于GRNN的移动目标跟踪(GMTT)算法,该算法依据GRNN处理RSSI与目标位置间的非线性关系,利用卡尔曼滤波(KF)修正目标位置。仿真实验结果表明,相比于RSSI+KF,GMTT算法可以有效地降低目标定位的根均方误差。