手持式三维激光扫描仪定位算法的研究

研究了手持式三维扫描仪的自定位算法,并提出了改进算法以弥补ICP算法和穷举法等经典定位算法的局限性。通过实验对比Delaunay四面体法、ICP算法、最小三角形法和频率三角形法的重构效率,实验结果表明频率三角形法更高效更稳定,在各种环境下均具有可行性。     

双目立体视觉空间火灾定位方法的改进

针对室内空间火灾早期自动定位的需要,基于机器视觉技术对传统空间定位方法进行改进。设计简单实用的平面标定板进行摄像机标定,利用HALCON解决快速自动提取标定板上特征点像素坐标的问题。针对传统标定算法只校正径向畸变的不足,建立了更全面的摄像机畸变模型。通过迭代法利用成像模型和畸变模型求解并优化摄像机的单应性矩阵和畸变系数并通过三维重建实现空间定位。将此方法应用于消防炮工程项目,结果表明该改进方法具有有效性、快速性和准确性。     

基于神经网络的TDOA定位改进算法研究

针对传统的Chan算法在实际的非视距环境中性能将会受到很大影响这一问题,提出了一种基于神经网络的TDOA定位改进算法,这种算法通过对非视距误差进行修正,使其具有更好的定位效果.仿真实验结果表明,与传统的Chan算法相比,这种算法具有更好的定位精度和收敛速度,是一种有效的定位算法.     

基于自适应密度聚类分析的雷电定位算法

定位精度是评价雷电定位网络的重要指标之一,定位算法直接关系到雷电探测结果的精度。经典定位法抗误差干扰能力差、定位精度低,传统迭代算法易于发散且会陷入局部最优。为了实现更有效的定位,在定位计算中引入改进密度聚类算法(adaptive density-based spatial clustering of applications with noise,ADBSCAN)。通过雷击事故实例和区域仿真分析了定位算法的性能。结果表明,ADBSCAN不需要人工干预,对于雷电定位结果的聚类效果更好;基于ADBSCAN的雷电定位算法克服了传统定位算法的缺点,提高了抗误差干扰的能力,能稳定并精确求解出雷击点。     

一种基于RSS的改进的可见光定位系统（英文）

提出了一种基于RSS(received signal strength)的改进的可见光定位算法,并且通过实验验证了该算法.为了消除相邻LED光信号的干扰,相邻灯采用时分的模式发送信号.首先,通过仿真和实验结果分析了基于朗伯模型的RSS定位算法,然后提出了一种改进的定位算法.通过实验结果和仿真结果证明,该定位算法在实用定位系统中的定位误差可达到厘米级别,并且该定位算法的鲁棒性更好、算法复杂度更低,更适合于实际工程应用.     

一种基于RSSI校正的加权质心定位算法

节点自定位技术一直是无线传感器网络中的关键技术,而基于接收信号强度指示(RSSI)的定位技术则是目前的研究热点。在对传统的加权三角形质心定位算法分析的基础上,提出了一种改进的定位算法。在测距阶段,将信标节点之间的距离和信号强度同时作为参考来校正RSSI值;在定位阶段,对传统加权三角形质心定位算法的权值进行修正。通过仿真证明改进算法比传统算法的定位精度有明显提高。     

RSSI的室内人员卡尔曼滤波定位算法

RSSI定位技术的室内定位算法中,由于室内环境的复杂性及人员的随机性等因素可能会带有噪声影响,所以需要加以抑制。本次设计的室内定位算法首先根据室内特殊环境设计出定位算法流程图,建立算法模型并用卡尔曼滤波算法来抑制环境中噪声因素所引起的误差,然后结合改进的RSSI算法实现室内移动人员的定位,使得定位的结果更接近于真实值。重点研究将卡尔曼滤波算法与改进的RSSI算法相结合估算出更精确的室内人员位置信息。通过实验表明,结合卡尔曼滤波改进的室内人员定位算法的定位精确度有明显的提升,误差相比于文献9所提出的定位算法有所降低。     

基于贝叶斯理论的多系统定位融合算法

针对传统多系统融合定位中协作性较差,自适应性不足的问题,为多系统定位达到更好的效果,提高多系统协同定位算法中信息融合的高效性、场景间切换的适应性,对传统的多系统定位融合算法进行了改进。采用贝叶斯理论,多系统观测数据融合输入,建立贝叶斯概率观测模型,对多系统间定位信息直接交互,通过扩展卡尔曼滤波理论估计定位信息。在此基础上,利用各系统滤波新息和方差对场景间切换时系统概率进行实时更新,将估计结果以系统概率加权方式融合输出。仿真结果表明,在相同观测条件下,改进算法与传统定位算法相比,具有更好的稳定性及自适应性。     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

基于小波变换的图像边缘检测算法及像素结构分析

对基于多尺度小波变换的图像边缘检测算法进行了改进.通过处理小波变换后出现的负值解决了双边缘问题;通过处理两层邻域的像素点解决了边缘线间断问题,并与传统算法的结果进行了比较,结果表明,利用这一新的算法可使图像边缘更加光滑、边缘定位更精确.     

基于改进的RSSI的车间移动节点MCL算法

针对蒙特卡罗定位（MCL）算法在无线传感网络定位精度和取样效率中存在的不足,提出了一种基于接收信号强度指示（RSSI）改进的MCL算法（R-MCL算法）,并对车间移动节点进行定位.通过分析车间移动资源的移动规律,引入RSSI模型测距预测,减少取样区域,从而提高了取样效率和定位精度.仿真结果表明,R-MCL算法在定位精度、收敛速度和计算量等方面的性能均有提升.     

动态传感器网络中距离相关的蒙特卡洛定位算法

动态无线传感器网络的许多应用中定位技术具有至关重要的作用,在这种网络中部署区域内的全部节点不断运动.针对动态传感器网络中的定位问题,在蒙特卡洛方法的基础上提出了一种新的定位算法-距离相关蒙特卡洛(DRMCL).该算法通过利用节点的RSSI测距性能减小预测时未知节点可能存在的交叠区域,提高定位精度.仿真结果表明,对比蒙特卡洛和凸规划等现有的移动传感器网络定位算法,提出的DRMCL可以明显提高定位精度,在运动的过程中,定位精度能够达到20%以下.     

一种修正的求总极值的积分—水平集方法

1978年,郑权等给出了一个积分型求总极值的概念性算法及Monte-Carlo随机取点的实验途径,该文给 一种修正的求总有值的积发－－水平集方法,它有两个方面的特点：（1）每一步需构造一新函,而其与原目标函数具有相同的部极值;（2）避免了郑权算法在一般情况下,由于水平集不易求得而造成难以求出水平的困难,该文同样出了求总极的收敛准则。     

神经网络的非零温蒙特卡洛及迂回的蒙特卡洛学习算法

本文在人工神经的学习中选用适当的评价函数实现了将零温度的蒙特卡洛算法向非零温情况的推广，得到了优于零温的结果，但是仍未克服其学习结果依赖于初值的缺点。在分析其能量特点的基础上，本文提供了非零温的蒙特卡洛迂回学习算法，它能够成功地摆脱初值的影响，获得高存储容量的神经网络，此结论已经为仿真研究的结果所证实。     

一种适用于强散射生物介质脉冲响应函数的改进算法

该文在分析生物组织光学特性的基础上，针对强散射、弱吸收介质，提出了一种利用Monte Carlo模拟方法获得二维分布，脉冲响应函数的改进算法，利用该方法进行数值计算，得出了较为理想的结果，与直接Monte Carlo模拟相比计算效率显著提高。     

Au-Ni 合金表面聚集的计算机模拟

应用改进分析型EAM模型(MAEAM)结合基于Metropolis 算法的Monte Carlo模拟方法,计算了800 K下Au-Ni 二元合金表面成分和剖面成分分布,包括Au含量在40%、50%、60%时(111)面和(100)面的情况,发现Au在(111)面和(100)面聚集,得到了与实验结果和其它理论结果相一致的结果.     

移动机器人同时定位和地图创建的一种新方法

为了实现室内环境中移动机器人的同时定位和地图创建,提出了一种新方法,该方法应用顺序蒙特卡罗方法,把定位和地图生成分成状态估计和参数估计,应用多粒子滤波器实现同时估计机器人位置和障碍物位置。环境感知采用机器人自身配置的声纳传感器,应用哈夫变换提取环境障碍物边界特征,用直线近似表示,并提出了一种可靠的特征匹配方法。Pioneer 2移动机器人在实际室内环境中完成的实验证明了该方法的可行性。     

一种新的移动机器人Monte Carlo自主定位算法

针对当出现一些未建模的机器人运动时(如碰撞或者绑架问题),以小采样数目实现常规Monte Carlo方法难以解决的问题,提出一种新的Monte Carlo定位算法,该算法同时采用p(Xkzk)与p(XkXk-1)作为重要性函数并从中进行采样,避免了采样集不包含真实位姿采样的情况,能够有效地解决全局定位与绑架问题.同时在重采样过程中引入了过收敛检验与均匀性检验用于判断采样与感知信息的匹配程度,以适时进行重采样,节省了计算资源并提高了定位效率.实验结果表明该方法具有良好的性能.     

A practical self-localization scheme for mobile robots using sonar sensors

A practical self-localization scheme for mobile robots is proposed and implemented by utilizing sonar sensors. Specifically, the localization problem is solved by employing Monte Carlo method with a new mechanism proposed to calculate the samples' weights; the convergence and veracity of the sample set are guaranteed by the designed resampling and scattering process. The proposed self-localization algorithm is fully implemented on a specific mobile robot system, and experimental results illustrate that it provides an efficient solution for the kidnapped problem.     

基于FORM的Monte Carlo精度修正可靠度算法

结构可靠度分析的核心是计算预定义功能函数的失效概率。提出一种基于一次可靠度算法 (FORM)计算结果的 Monte Carlo精度修正可靠度算法 ,它将原可靠度列式转换为一个求旋转坐标系下 n- 1元函数的统计均值问题 ,统计均值用 Monte Carlo法计算。这种可靠度算法克服了传统FORM法误差较大以及 Monte Carlo法效率低的困难 ,与二次可靠度算法 (SORM)相比 ,计算结果对验算点的计算精度不敏感。通过算例分析验证了该文方法的合理性