加权支持向量回归在线学习方法

在标准支持向量回归在线学习的基础上,提出了一种加权支持向量回归在线学习方法(WOSVR),即加权支持向量机中针对不同样本点使用不同惩罚系数C,且不同惩罚系数C反映了样本重要性的不同,WOSVR中近期数据重要性大于历史数据重要性.使用基准数据Mackey-Glass混沌序列进行了相关验证实验.结果表明,加权支持向量回归在线学习方法能有效修改模型.     

基于机器人运动模式的手眼标定初值估计法

针对目前机器人手眼标定的方法大多需要求解手眼标定的基本方程，提出了一种新的用于机器人手眼标定中初值估计的方法．该方法在非线性优化过程中需要对初值进行估计，不同的初值可得到不同的结果，传统技术主要通过经验选取初值．本文利用机器人自身的运动模式，直接确定初值，大大减小了经验选择给结果带来的偏差．与经验选择初值的方法进行对比，结果表明，本方法得到了明显的改善。     

基于卷积神经网络的小目标交通标志检测算法

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.     

机器人手眼标定的仿真分析

研究了一种新的机器人手眼标定的方法。在实际中，手—双目系统有着广泛的应用。传统方法主要集中在手．单目系统中。直接将传统方法应用到手—双目系统中将会很容易受到噪声的干扰。与传统方法相比，文章充分利用了双目摄像机之间以及摄像机与机器人手爪之间的约束关系进行机器人手眼标定，大大提高了抗干扰的能力。最后仿真结果证明了新方法的精确性与有效性。     

基于运动选择的提高在线手眼标定精度自适应方法

针对在线手眼标定算法的鲁棒性,提出了一种根据运动序列的特点自动设定运动选择阈值的在线手眼标定算法.该算法使用三次多项式回归曲线表示手眼标定的RMS误差值和用于运动选择的阈值之间的关系,根据此关系曲线预测新的阈值,进行运动选择.通过该方法,可以避免随机运动序列中存在的小角度运动以及纯平移一类的退化情况对标定精度的影响,得到符合手眼标定精度的要求.实验表明,该方法提高了算法的精度,适用于在线手眼标定的多种情况.