基于法向量场的散乱点集三角网格化

文章提出了基于散乱空间点集进行曲面重建的新方法,即从散乱点集的空间位置信息中估算出待建曲面的法向量场,构造基于法向量的曲面重建控制方法和控制参数,并用该参数来确定拓扑重建的搜索空间,采用面片生长的方式重建曲面.该方法在快速获得正确的拓扑连接的同时,直接生成用较少的面片就能保持曲面特征的优化网格.     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。     

协同神经网络聚类型学习算法

协同神经网络是一类全新的神经网络 ,它可以根据竞争神经网络的一般原则划分为匹配子网和竞争子网。其中 ,匹配子网的学习是协同神经网络的一个中心问题。改善匹配子网的学习效率有 2种途径 :对伴随向量求解算法的改进和原型向量选取方法的改进。文章浅析了这 2种类型的学习算法 ,着重研究了聚类算法在原型向量选取中的应用 ,并以一组交通标志图像作为识别样本 ,验证了选取原型向量 2种思路的有效性。     

一种新型传感器的圆环检测算法研究

在工业测量领域中,测量精度是尤为关键的指标,旋转对称三角传感器可以将物体的测距转化为测量成像圆环的半径.文章针对旋转对称三角传感器得到的圆环图像,在快速定位圆心和半径的基础上,利用亚像素定位技术,在亚像素级别进一步精确检测出圆心和半径;选择合适的亚像素算法建立适当的目标函数,圆环检测问题最终被归结为多参数无约束优化计算问题;介绍了用于圆环检测的3种优化算法,并通过实验分析比较3种优化算法的检测精度和性能.     

微观瑞利散射下的大气偏振建模仿真

针对传统宏观大气偏振建模的信息单一性和表征模糊性问题,采用一种新的大气偏振建模算法。该方法依据瑞利散射理论,采用电场矢量描述光波,研究微观粒子对自然光电场矢量振动方向变化,得到散射光的偏振强度和偏振主方向。建立东北天坐标系,推导与天球坐标系间的转换过程,将单粒子瑞利散射扩展至全天域多点散射,形成大气偏振模式。仿真结果表明,新方法可以准确计算不同时刻不同地点的大气偏振分布信息,与传统方法中所获得的偏振角相比,本方法可以提供更丰富的三维方向信息,并具有良好的拓展特性,用于多因素大气偏振建模。     

基于Bayes网络的航空图象理解模型

提出一种基于Bayes网络的图象理解模型,用于检测与描述城市航空图象中的停车场、空地、房屋等二维和三维目标.模型首先使用一种基于感知组织的算法生成焦点区域,然后使用Bayes网络建立焦点区域的图象特征与目标之间的(不确定性)联系,由Bayes网络推理机制完成对焦点区域的识别.对于屋顶区域,模型使用一种基于DEM(digitalelevationmap)方向直方图的匹配算法进行模板匹配,生成房屋的三维几何模型描述.模型中所有Bayes网络组成层次结构,可以方便地增加被识别目标的种类;图象特征与提取图象特性的算法之间由一种称为证据源的数据结构相连接,可以方便地扩充图象特征的提取算法.由此实现了模型的易扩展性.实验结果表明了本文模型的有效性.     

对改进的联想记忆器的研究

运用统计物理学的平均场理论来研究改进的联想记忆器问题。通过对三阶输出函数的有关网络状态的稳定性讨论,提出了一种对伪态的影响加以削弱的方法,并与Ｈｏｐｆｉｅｌｄ联想记忆网络进行了比较以及给出模拟结果来验证理论分析。     

微小目标的视觉信息获取及系统设计

提出了一种专门针对微小目标(如芯片焊线、绑定等)的视觉系统设计方案。针对传统视觉系统对于观测分析微小物体的缺陷,提出了一系列改进方法,提高了视觉系统的精确性和处理的实时性;最后在搭建的实验平台上完成了LED焊点检测实验,并给出了实验结果。     

一种基于模拟退火的特征层融合模式识别实现方法

文章提出一种特征层融合模式识别的方法,定义"融合特征"和"特征融合系数"实现模式的特征融合。使用模拟退火算法搜索最佳的"特征融合系数",从而提高模式识别的正确性,降低分类决策的模糊性。特征层融合的交通标志形状识别实验和数字字符识别实验均表明:该方法具有以上两方面的优点。     

基于神经网络的形状识别系统及优化

Ｈｏｕｇｈ变换用于形状识别、神经网络用于分类都不是新课题,而我们将这两种方法结合起来,用神经网络实现 Ｈｏｕｇｈ变换并进行特征提取,所提取的特征矢量不受待识别体的大小和位置的影响,且所提特征为一维矢量。对于所构成的神经网络形状识别系统,采用ＢＰ算法进行初１练,优化系统参数。文中最后得出令人满意的实验结果。