基于克里金模型的多采样点序列全局优化方法

针对有效全局优化(EGO)方法计算时间长、收敛速度慢且易陷入局部最优区域的缺点,提出一种基于克里金模型的多采样点序列全局优化算法.在序列优化过程中,该算法主要引入中点距离最小舍弃方法来获取多个采样点,并以广义EGO方法作为填充采样准则,对多个采样点进行并行优化,以提高算法效率,同时有效平衡局部和全局的搜索行为.两个数值测试算例和一个工程仿真实例验证了该方法的有效性和实用性.     

基于遗传算法和四元数法的曲面线扫描数据的配准

利用扫描线已知的部分几何拓扑信息,根据重叠区域中相应扫描线上采样点的主曲率差值的平方和来表达扫描线的相似度.运用遗传算法自动识别重叠区域,并通过四元数法直接计算点集的坐标变换矩阵.最后通过实验验证了该方法的有效性.     

求解黑箱全局优化问题的一种改进的随机算法

提出了一个改进的随机算法求解黑箱全局优化问题,算法中使用的径向基函数插值是昂贵的目标函数的近似.算法在可靠的信赖域内通过简单而有效的方法选择下一个迭代点.在早期的迭代过程中,算法倾向于在响应面模型的全局最优值附近改善响应面模型的局部逼近精度.它可能暂时陷入局部最优,但它有能力在之后的迭代中探索可行域中的其他区域并改善响应面的全局逼近精度.数值实验结果说明了该算法的有效性.     

基于等距变换的三维点云相似性检测算法

本文研究目的是运用基于等距变换的三维点云相似性检测算法来为三维点云识别和分类问题提供新的方法.该研究方法利用投票空间的思想,认为相似的点对具有相同的等距变换.首先,通过B样条参数曲面拟合表达物体形状.其次,定义了一种主曲率和法向量组成的局部几何特征来匹配特征点对.计算点对特征之间的等距变换,将等距变换进行分类,比较同类等距下点对间特征的等距距离.最后,在每类等距变换下,对具有相同近似等距的点对进行基于PCA的聚类算法,从而得到相似点对之间构成的相似区域.实验研究结果显示在通过普林斯顿和TOSCA点云数据集下测试,对原始点云进行等距变换、噪声、降采样的处理后,能够检测到物体形状上的相似区域.研究结论:通过实验,验证了算法的可行性和鲁棒性,该方法简化了数据的预处理的过程,能够高效检测物体模型的相似性,对三维点云的分类和识别问题有着很好的应用前景.     

基于自适应增强的静态随机存储单元失效率快速仿真算法

随着纳米工艺的不断推进,由随机工艺参数偏差引起的电路稳定性问题日益突出.静态存储器由大规模高度重复性电路单元结构组成,要保证整个芯片工作正常,要求单个单元电路失效的概率极低,相关的失效事件属于极端概率事件.传统的蒙特卡洛采样在产生足够的有效采样点和精确捕捉实际失效区域分布方面存在诸多缺陷.本文采用的自适应增强(AdaBoost)方法是一种新的统计学习技术,通过样本学习构建一个强分类器,可以过滤掉大量无效的采样点,使采样点更集中的分布在失效区域中.另外,本文引入交叉熵方法改进传统的重要性采样算法,达到更快的收敛速度.该方法综合了数据挖掘和极值理论的思想,能够快速精确地捕捉失效区域实际分布,相比于标准的蒙特卡洛采样方法,在不损失精度的情况下效率提高了1000倍以上.     

基于密度峰值聚类和模糊支持度的boosting随机森林

为了解决传统分类算法在不平衡样本集上分类效果不佳的问题,提出一种新的欠采样boosting集成算法(FECBoost).首先,通过改进的模糊熵反映样本集原始分布的不确定性,并用此模糊熵判断多数类样本所在的区域,称为安全区域或边界区域;其次,利用密度峰值聚类算法选取安全区域的代表性样本以减少分类器的训练时间和样本间的重叠,降低样本的不平衡度,实现静态欠采样;最后,训练新的boosting集成分类器,在算法每一次迭代之前,基于模糊熵和模糊支持度对多数类样本再次欠采样,使用于训练的样本集达到平衡.该动态欠采样依赖于分类器的训练过程,充分考虑了样本分布的不确定性和错分可能性.通过在真实样本集上的仿真实验验证了提出方法的有效性.     

基于粒子群优化聚类算法的点模型简化

为了有效地简化稠密采样点模型,提出了一种基于粒子群优化聚类算法的点模型简化方法.引入了具有强大全局寻优能力的粒子群优化算法,对传统的k-均值聚类算法进行改进,基于改进的聚类算法对点模型进行简化,选取具有最优个体适应度函数的粒子作为原始采样点集的最终简化模型.算法聚类依据采样点的空间位置、法向和曲率的邻近性,实现了点模型表面区域几何特征保持的简化.同时在聚类区域的划分中考虑了曲率阈值和区域半径,使得算法在有效地保持特征边界和曲面细节的同时,能够生成高质量的简化曲面.实验结果表明,粒子群优化的k-均值聚类算法克服了传统聚类算法容易陷入局部极小的缺点,具有更好的全局收敛性和较快的收敛速度.该简化方法在有效简化点模型的同时,很好地保持了原始模型的几何形状,且在相同简化效率下能够生成更高质量的简化曲面.     

基于新型自适应采样算法的催化重整过程代理模型

催化重整装置是石油加工的重要装置之一,直接使用机理模型对其进行优化耗时较长。代理模型方法能够有效地对机理模型进行近似,而采样方法对代理模型的精度有很大影响。提出了一种新的自适应采样算法-基于最近邻和马氏距离的自适应采样算法。该算法从采样方法的全局搜索能力与局部搜索能力出发,通过求解优化问题在关键信息区域中获取样本点。采用7个测试函数进行测试,结果表明该算法能够选取对代理模型精度影响较大的采样点,从而有效地提升代理模型的精度。针对催化重整过程的关键质量指标建立了相应的代理模型,结果表明该算法能够很好地处理实际工程中的问题。     

对光照变化鲁棒的快速关键点提取与匹配

利用积分图像提出一种对光照变化鲁棒的快速关键点提取与匹配方法.首先,对基于黎曼积分的对比度拉伸响应,利用积分图像进行多尺度上采样滤波,快速提取光照鲁棒的局部特征,并在多分辨率框架下基于局部极大值检测多尺度显著特征关键点.然后,使用积分图像方法对以特征点为中心对称的矩形区域快速构造协方差描述,并采用对数欧氏距离,测度2个匹配场景中所提取的关键特征点周围区域的协方差矩阵之间的差异;最后,根据稀疏匹配策略,完成2个特征点集之间的自动匹配.实验结果表明,该方法结构简单,计算快速高效,准确性较高,且对于光照变化具有较好的适应性.     

桥梁结构基于高维模型拟合响应面的参数识别

为提高响应面法在桥梁结构参数识别中的计算精度,提出了基于高维模型拟合响应面的参数识别方法.即采用HDMR响应面法拟合结构响应面,并基于该响应面进行结构参数的识别.研究了HDMR响应面的基本构造方法,阐述了在响应面基础上通过有约束最小二乘优化实现参数识别的一般过程.以一座连续梁及一座独塔斜拉桥为算例进行分析,探讨了该方法在结构参数识别中的计算精度及效率.结果表明,相比传统响应面法,该方法在计算精度上具有显著优势.同时也验证了该方法在大型桥梁结构参数识别中的可靠性和适用性.     

结合突变论和离散聚类思想的视点空间划分算法

针对视点空间划分问题中算法复杂以及计算复杂度大的问题,提出了一种结合突变论和离散聚类思想的新方法.利用突变论获得视觉事件的空间切割曲面方程,然后在视点空间球面上选取有序采样并计算每个样点的符号序列,通过对符号序列的判断实现对离散点的聚类,使用点集替代传统的边界线方程来表达视点空间分划结果.该方法避免了突变理论中求解视点空间分划线方程数值解以及从分划线相互关系中寻找闭合区域的过程.实验结果表明该方法能够有效地提高三维目标识别的实时性,计算时间不足原算法的15%.     

一种基于FDR的高测试质量测试压缩方法

FDR编码方法有效地降低了测试数据量,但其测试集中的无关位全部填充为0,平均每个测试向量检测的故障数目较少,测试质量较低.为了提高测试质量,并进一步提高测试数据压缩率,本文基于FDR方法提出了一种利用上一个测试向量的响应填充该测试向量中无关位的测试压缩方法.该填充方法提高了测试向量中无关位填充的随机性,从而提高了测试集的测试质量.提出方法的压缩效率与测试向量的顺序有关,基于最近邻居算法对测试集进行排序,降低了测试响应与下一个测试向量之间不相同的位数,对测试响应和测试向量差分处理后再进行FDR编码,从而降低了测试数据量.ISCAS’89电路中几个大电路的实验结果表明,与FDR相比该方法的测试质量平均提高了5.9%,测试数据压缩率平均提高了2.5%,而只需要增加一个异或门的硬件开销.     

基于径向基函数的DIRECT全局优化方法

针对DIRECT全局优化方法估值次数多、收敛速度慢的缺点,提出一种基于径向基函数元模型的改进DIRECT算法.通过分析DIRECT算法的采样点信息,从中识别包含局部最优或全局最优点的最优区域.收集最优区域中的采样点构造径向基函数元模型,并在该元模型上搜索全局最优点,从而提高了DIRECT算法的收敛速度.最后,将该方法应用于数值计算以及压力容器的优化设计,结果证明了该方法的实用性与工程有效性.     

三维激光彩色扫描仪中物体表面色彩信息获取

研究了三维激光彩色扫描仪中获得物体表面色彩信息的方法.针对装置特点,研究了在彩色扫描图像序列中,物体表面采样点在激光入射面和相机主光轴面的成像对应关系,提出了利用采样点在相机主光轴面的像获得色彩信息的方法,有效地克服了传统结构光测距装置中由于结构光源照射带来的色彩失真和物体表面复杂而造成侧面遮挡的影响.实验结果是令人满意的.     

针对不平衡数据集的入侵检测算法

采用少类样本合成过采样技术(SMOTE)与二叉树多类支持向量机(BTSVM)相结合的入侵检测算法来解决实际应用中经常遇到的类别不平衡的分类问题.该方法首先对不平衡类别的训练集使用BTSVM分类,然后对求出各分类器中的支持向量使用SMOTE方法进行向上采样,最后用不平衡类别的测试集在新的分类模型中进行测试.实验结果表明本算法能够有效地提高不平衡数据集的分类性能.     

基于梯度提升回归树的大数据集离群点挖掘模型构建①

为了提高大数据集离群点挖掘能力,提出基于梯度提升回归树的大数据集离群点挖掘模型,构建大数据集离群点的回归树分布模型,采用多维特征融合方法进行大数据集离群点的特征检测,提取大数据集离群点的空间区域分布特征量,采用梯度提升回归分析方法对提取的大数据集离群点特征进行模糊聚类处理,在聚类中心中实现对大数据集离群点数据的自适应融合和分布式检测,通过梯度提升回归树分析方法实现大数据集离群点挖掘。仿真结果表明,采用该方法进行大数据集离群点挖掘的准确性较高,抗干扰性较好,提高了大数据集离群点挖掘过程的收敛和控制能力。     

确定采样系统采样点间响应的因数采样法

计算机控制系统的被控对象的输出往往是连续的,采样点的输出响应不能完全反映系统的输出性能,所以研究采样控制系统采样点间响应的方法尤为重要。本文利用文献[1]的因数采样法概念,给出用于求取开环、闭环采样控制系统采样点间响应的因数采样法的推导方法及计算公式,在计算采样系统采样点间响应具有实际应用价值。     

方形平板辐射体轴向声压计算及测试

选择方形平板辐射体节线外侧为等腰直角三角形振动面的响应振型为工作模态,推导了一种计算方形平板辐射体轴向声压的数值方法.以算例中不同几何尺寸方形平板辐射体为例,分别计算了其轴向声压的分布规律.计算结果表明:不同几何尺寸方形平板辐射体在其近场区域,声压随距离的增大均有较大的起伏变化,在远场区域声压随距离的增加缓慢衰减.最后,对算例中的2#方形平板辐射体的受迫振动响应振型及轴向声压进行了实验测试,测试结果与理论计算结果基本一致.     

基于高斯过程的点匹配方法

针对点匹配问题,在已知两个点集对应关系的情况下,通过高斯过程回归计算两个点集的空间几何变换模型.首先,给定高斯过程的协方差函数,通过对训练样本的学习计算协方差函数中的未知参数,得到后验的高斯过程.然后,根据后验的高斯过程预测测试样本的目标值,完成函数映射.该方法在空间几何变换模型的非线性映射能力与问题求解复杂度之间折衷,是一个基于训练样本的自动学习过程.仿真结果表明:该方法具有较好的非线性映射能力,并且只需较少的运算时间.     

点光栅化及反走样算法的研究与实现

图形处理器流水线中经典的点生成算法和点反走样算法便于实现,但采样点测试的计算量大并且存在冗余测试,为此提出了多采样扫描转换算法。该算法将多采样集中在边界片元,同时,利用点区别于其他图元的对称特性,减少了采样点的冗余测试,提高了多采样时扫描转换的性能。试验结果表明:文中算法在较小代价下达到了同样的反走样性能。