基于多维数据列向量2D图表示的多维筛可视化组合分类器

提出一种新型的可视化组合分类器--多维筛分类器.该分类器集成了属性数据的2D图表示、图像处理与模式识别技术.其根本思想是将数据矩阵的属性数据映射为2D多元图,然后将多元图通过像素图及图像处理技术转换为子分类器,利用组合分类器规则将各子分类器构成多维筛可视化组合分类器.通过引入交互式方法,选择最优多元图用于分类.通过对Iris数据集的分类试验表示,散点图多维筛与极坐标多维筛的分类精度可以达到98.67%和97.33%.     

关于描述计算机科学数学对象的形式系统的构造

关于对计算机科学对象进行形式描述,以建立计算机科学的形式理论,是理论计算机科学中一个重要的问题.本文的宗旨是:在计算机科学的对象集合的总体中,排除不可判定的部分,从而构成计算机科学数学对象的形式系统,此系统用S 来表示.它是满足一定条件的受约字公理数论系统的子类.定义1 D 为计算机科学的对象集合,如果存在着算法在有穷步内判定D 中的对象是否具有某些性质Γ_1,Γ_2,…,Γ_k 和它们之间是否具有某些关系R_1,R_2,…,R_r 则D 称为计算机科学数学对象集合.以下简称为对象集合.从能行性理论中看到,如果D 为某抽象机所接受,那么它由所有抽象机所接     

一种基于PVDAC描述子的RGB-D三维点云配准方法

利用RGB-D数据进行三维点云配准时容易陷入局部最优.针对这个难题,提出了一种基于多维特征的PVDAC描述子实现三维点云配准的方法.该方法首先通过ORB特征检测算法提取二维数据的关键点,并计算关键点在2D下的灰度特征,然后构建关键点在3D下的局部像素值距离、点云法线角度以及曲率特征,接着将2D特征和3D特征联合生成全新的PVDAC像素描述子,并利用PVDAC像素描述子描述关键点实现三维点云的粗配准,最后基于ICP算法完成三维点云的精细化配准.实验表明,本文算法在大场景点云配准时总体均方误差约为0.05 m2,在小场景单物体点云配准时达到了0.000 2 m2的较小误差,实现了三维点云的精确配准.     

(P~2)_n和(P~3)_n的D(3)-点可区别全染色

图的染色问题是图论研究的经典领域,在网络结构和实际生活中都有着广泛的应用,随着计算机和通讯、电力网络的日益发展,染色问题成为近年来图论研究的热点.图的D(β)-点可区别全染色又是染色问题中的难点.通过分类讨论、归纳探究,在图的点边集合与色集合间构造了一种一一对应关系.讨论了幂图Pkn(k=2,3)的点可区别全染色,使得距离不大于3(D(3))的任意2点都有不同的色集合,得到幂图Pkn(k=2,3)的D(3)-点可区别全染色数.     

多元图图形基元和特征基元提取与表示方法

提出一种多维数据多元图图形基元和特征基元提取和表示的方法.首先应用多维数据多元图表示原理实现无结构数据的结构化表示,然后在建立基于多元图图形基元和特征基元表示的一般化表示模型基础上,提取出了表征多元图图形的图形基元和特征基元.为验证该方法的正确性,采用UCI机器学习数据库中的Iris等数据进行了分类实验,不同分类方法实验结果对比证明该方法具有较好的识别效果.     

圈的距离不大于5的任意两点可区别的全染色

所谓图的D(β)-点可区别全染色是指图G的一个正常全染色且使得距离不大于β的任意2点有不同的色集合.文献[2]讨论了图的距离等于2和3的点可区别全染色,文献[3]讨论了图的距离等于4的点可区别全染色.本文主要讨论了圈的D(5)-点可区别的全染色.     

高维数据的2D图单点表示原理

高维数据的单点2D图表示是2D图表示的重要分支.由于其可在单幅多元图中显示多个观察,因此适用于模式识别领域中的特征选择与分类空间形成.本文根据多元图中单点映射的变量数目的不同对单点图表示进行了对比,并分析了其各自的适用范围与优缺点.     

关于图运算的测地数

对于图G(或有向图D)内的任意两点u和v,u-v测地线是指在u和v之间(或从u到v)的最短路.I(u;v)表示位于u-v测地线上所有点的集合,对于SV(G)(或V(D)),I(S)表示所有I(u,v)的并,这里u,v∈S.G(或D)的测地数g(G)(或g(D))是使I(S)=V(G)(或I(S)=V(D))的点集S的最小基数.G的下测地数g-(G)=min狖g(D):D是G的定向图狚,G的上测地数g+(G)=max狖g(D):D是G的定向图狚.对于两个图G和H,u∈V(G)和v∈V(H),在u和v之间加一条边,然后再收缩这条边uv所得的图,记为GuHv.本文主要研究图GuHv的测地数和上(下)测地数.     

D.Hilbert第十问题的否定解决的两个简单推论

设Re、De和D分别表示全体递归可枚举集合组成的类,全体指数刁番图集合组成的类和全体刁番图集合组成的类(参看,例如,А.И.Мальцев或本文作者之).显然有     

多变量过程监控的D控制图

针对如何将大数据技术与传统的多元控制图相结合,以获得一个具有自学习性的控制图的问题,以支持向量数据描述(SVDD)为构建基础,提出一个基于支持向量数据描述的D控制图.该D控制图通过对在控数据的学习,自适应地构建出自己的监控模型.仿真实验及工业实例表明:D控制图在多变量制造过程中的表现优于T²控制图,是一个理想的监控模型.     

多元数据的多点表示模型

提出了多元数据的多点表示模型.该模型采用多个平面矢量来表示多元数据的各个属性变量.每个平面矢量用一个复变函数来描述,整个数据集表达为一个复变函数矩阵.该模型可以统一描述多种常用的图表示方法,如平行坐标、雷达图、星座图等.该表示模型的参数可以利用机器学习算法进行优化,从而有效地揭示,数据结构并进行可视化模式识别.     

模式特征的几何代数多向量表示方法

模式表示是模式识别的一个基本问题。传统统计模式识别理论中模式特征一般表示为一个数值向量,并被视作维欧式空间中的一个点。这种表示方法只利用了一阶特征,容易丢失模式特征间的关联信息和高阶结构。本文首先阐述了几何代数的公理化定义和一些基本概念,然后将传统的模式特征向量表示推广为几何代数空间的多向量表示,接着讨论了该表示的两种特例,最后阐述了基于该多向量表示进行特征提取和分类的一般思想和需要进一步研究的问题。     

评定圆柱度误差的四维图解判别

本文根据极差极小化理论及由此得出的形状误差统一判别准则,运用集合论的观点及多维画法几何图示图解法,提出了评定圆柱度误差的四维图解仲裁方法,并用代数方法予以验证,为解决象圆柱度误差一类由多维参数描述的形状误差的几何判别问题提供了新途径.     

微切平面逼近三维散乱数据的研究

提出了三维散乱数据微切平面逼近的算法．基于曲面形状信息反映在三维散乱点集中，用三维点集中某点的邻域点集构造微切平面来近似表示该点处的局部形状，所有点的微切平面集合则构成了待构曲面的近似表示．通过欧几里德最小生成树对微切平面法矢方向进行调整使其达到整体一致性，该算法在三维散乱数据曲面重构中具有重要意义．     

雷达图图形特征提取中的特征排序

基于多元数据的雷达图图表示,提出了雷达图重心图形特征.针对同样的多元数据不同的特征排序会导致不同的雷达图图表示,进而产生不同的重心特征,而这些重心特征会最终影响分类器的性能,因此提出一种新的问题,即雷达图图形特征提取中的特征排序问题.基于这个新的问题,设计了一种新的解决方法,即提出了基于改进的遗传算法的特征排序.同时也研究并改进了传统的基于排序的特征选择方法.基于一些机器学习数据库的分类实验结果表明:一方面,数据的原始特征排序下的重心特征和传统的特征提取方法相比,并不总是最优,但是在遗传算法下特征排序的重心特征优于传统的特征提取方法;另一方面,在遗传算法下特征排序的重心特征优于传统的基于排序的特征选择方法下的重心特征.尤其对于高维小样本的肺癌数据达到了12.5%的留一法交叉验证错误率,效果非常好.乳腺癌数据和糖尿病数据等的分类结果优于目前国际上的报道.     

一种新的DNA序列的3D图形表示

基于DNA序列的混沌游戏表示，给出了一种新的3D图形表示来表征DNA序列。为了便于序列间的比较，将DNA序列的3D图形表示转化成了相应的矩阵表示并讨论了它们的数字特征。     

三维激光扫描仪技术在地形测量中的应用

利用三维激光测量技术进行山区复杂地形测量的流程与方法,实验通过使用徕卡ScanStation2型号的三维激光扫描仪对西安市白鹿原北坡进行了扫描,对扫描后的各测站数据进行基于标靶的拼接,对拼接后的点云数据进行预处理。将基于扫描仪坐标系统的点云数据转换到基于施工独立坐标系统后,使用Geomagic和cass软件绘制地形图等高线。在测区内布设一定数量检核点,扫描时在检核点上安置蓝白标靶,采用全站仪测量检核点的独立坐标与扫描仪测量的坐标进行对比来验证扫描数据的精度,得到平面坐标差值绝对值最大值为0.024 m,而高程的差值绝对值最大值为0.029 m,实验结果表明,三维激光扫描仪满足地形测量精度要求。     

图像技术在飞行模拟器中的应用研究

利用图形技术实现了飞行模拟器,该系统可以模拟多个飞行目标。飞行目标的模拟是根据假设的需求,生成目标飞行航迹。系统利用Bresenham直线算法实现飞机坐标点的计算,利用双缓冲技术来实现飞机图像的显示,并且解决了飞机任意转角度等问题。     

基于多元图形特征融合原理的降维方法研究

降维是将高维模式映射到低维子空间的过程.在降维后的低维子空间进行分类往往能得到更好的效果.本文以高维数据为研究对象,采用多元描述图对高维数据进行可视化表达,采用多元图图形特征融合的方法对高维数据进行降维,用K邻分类器进行分类效果评价.与Fisher线性判别及其他一些常用非线性降维方法相比,本文所提方法在数据的可视化以及分类精度等方面均有较好效果.