排序方式: 共有39条查询结果,搜索用时 15 毫秒
1.
为了解决尺度不变特征变换(SIFT)描述子在存在较多相似结构的匹配中,易造成误匹配,并且维数较高、匹配耗时的问题,提出了一种融合相对几何位置的压缩感知描述子.首先,以特征点为中心,将周围关键点的相对几何位置(RGL)信息形成尺度和旋转不变的RGL描述子,其次,对SIFT描述子利用压缩感知(CS)理论进行降维,形成CS-SIFT描述子,最后将两者融合形成RGL-CS-SIFT描述子.实验结果表明:与SIFT和PCA-SIFT描述子相比,匹配速度有所提升,匹准确率明显提高. 相似文献
2.
三角形外接圆半径能部分描述三角形的结构特征,在三角形两条边长及其外接圆半径已知的情况下,可以确定唯一的三角形,因此提出了一种基于三角形外接圆的星图识别算法。构建了导航星数据库,以特征三角形为匹配模板,减少了导航星三角形的数量,从而减小导航星数据库容量。为了提高搜索效率,以特征半径为搜索量,并对其进行升序排列。通过对特征半径的匹配,缩小了角距匹配的范围,提高了角距匹配的速度,同时采用的多三角形的组合有效地提高了识别率。为了保证星图识别的准确性,引入了验证识别环节。仿真结果表明:当存在2像元的位置噪声时,识别率大于97.42%,平均识别时间为38.41 ms,实时性与鲁棒性均优于传统三角形星图识别算法。 相似文献
3.
为解决故障特征样本分批加入时分类模型的在线更新问题,提出一种限定样本序贯极端学习机(LSSELM)。 LSSELM通过逐步添加新样本,同时剔除与其相似度最高的同类别旧样本来提高模型的动态适应能力,并通过Sherman-Morrison矩阵求逆引理来降低计算复杂度,实现输出权值的递推求解,完成模型的在线训练。将LSSELM用于模拟电路在线故障诊断,结果表明相比在线序贯极端学习机(OS-ELM)和LSSELM的诊断准确率更高,具有更好的泛化性能。 相似文献
4.
针对一类同时具有参数不确定性和外界干扰的非线性系统,提出了一种连续时间多胞线性变参数(LPV)系统变增益H_∞/H_2输出反馈控制方法.首先,对连续时间多胞LPV系统的变增益混合目标(H_∞/H_2指标和区域极点约束)输出反馈控制器综合方法进行了数学描述;其次,引入新的结构化松弛矩阵变量和参数依赖Lyapunov函数,将满足期望性能的混合目标鲁棒动态输出反馈控制问题转化为线性矩阵不等式框架内的有限维凸优化问题,进一步降低了所设计LPV控制器的保守性.最后,以四分之一车辆模型主动悬架系统为研究对象进行仿真,仿真结果验证了本文控制器的有效性. 相似文献
5.
6.
7.
灰色稀疏极端学习机在激光陀螺随机误差系数预测中的应用 总被引:2,自引:0,他引:2
为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了一种灰色稀疏极端学习机的预测新模型。为了克服极端学习机(ELM)训练样本缺乏稀疏性的不足,根据矩阵求逆引理实现了冗余样本递推剔除,提出了一种稀疏极端学习机;利用灰色预测模型对原始数据进行初步预测,将实测值与预测值生成残差序列,选取适当长度残差序列作为训练样本,剩余数据序列作为测试样本,输入稀疏极端学习机进行残差回归预测,将预测的残差值与灰色预测得到的数据结合生成最终的预测结果。将灰色稀疏极端学习机预测模型应用于某型激光陀螺随机误差系数预测实验中,结果表明:该模型能够取得比其他3种预测模型更加精确的结果。 相似文献
8.
为提高星敏感器在星跟踪失败时向全天识别模式转换的效率,提出了一种在星跟踪的同时,并行预测跟踪导航子星表的方法,以随时做好工作模式切换的准备,提高星敏感器实时性。设计了分层存储、逐层索引结构的导航星表,实现了均匀化筛选导航星、构建导航子星表及对数据快速搜索和处理;由飞行态数据预测下一时刻星敏感态,并通过星敏感器视轴指向与子星表地址之间的索引关系,预测跟踪子星表的地址;星跟踪失败时,全天识别在4个冗余子星表中完成,简化识别过程,提高了识别效率。实验结果表明,设计的导航星表较为科学、合理,预测跟踪星表方法具有较强的鲁棒性,在高动态条件下有效提高了星敏感器模式切换的实时性。 相似文献
9.
10.
为提高复杂环境下红外小目标的检测效率,将图像分为平坦区域、边缘区域和小目标区域三种区域,并针对三种成分的特点,提出基于拉普拉斯金字塔的非线性局部滤波检测方法.首先将图像进行高斯金字塔分解,将高斯低通金字塔与原图像尺寸匹配后,相减并进行阈值操作,抑制平坦区域;其次将标记像素灰度值与其周围环域均值的最小差作为指标,滤除边界区域;最后将非线性局部滤波结果生成相应的拉普拉斯金字塔各层系数,重构得到高对比度的检测图像,利用邻域特点剔除孤立噪声点并通过简单阈值标记红外小目标.实验结果表明:与现有其他算法相比,该检测算法能够对复杂背景有效抑制,检测速度快. 相似文献