基于CDT空间剖分的虚拟角色全局路径规划

针对大范围复杂虚拟城市环境中虚拟角色的自主导航问题,研究了虚拟城市环境的环境建模以及基于层次道路图的改进A*算法。用自适应剪切平面切割三维地物几何模型,把三维城市空间投影到2D平面空间,利用约束Delauny三角化方法剖分城市自由空间,通过调整约束边的长度调整提取道路图的精度,并构建顾及地形起伏特征的层次道路拓扑图;为适应基于层次道路图的路径搜索,对传统A*算法进行了改进。实验结果表明:该方法可以快速完成虚拟角色在虚拟城市环境中的全局路径规划,且环境建模需求空间小,路径搜索效率高并顾及了地形环境的起伏特征。     

具有可变抽样区间的二维EWMA控制图

对二维EWMA控制图进行了可变抽样区间设计,利用Markov chain方法计算出了过程的平均报警时间,数据结果显示,所设计的控制图较常规的固定抽样区间控制图能更快更准确地发现过程的变化.     

基于扩展贝叶斯方法融合的作战效能评估研究

从多个视角采集评估数据源并进行武器装备的作战效能评估，是一种提高评估结果可信度的做法。在武器装备论证阶段，评估数据源主要来自专家经验和仿真结果，但因这两种数据源的差异太大，难以进行直接的评估聚合。为此，提出采用信念图模式统一两者的数据表达，再采用一种扩展的贝叶斯推理算法进行评估融合，最后得到评估装备的综合作战效能。以装甲主战装备改进型的作战效能评估为例进行验证，结果表明该方法符合评估实际，是一种有意义的新方法。     

基于有向循环图的多学科设计优化模型调度方法

复杂产品的多学科设计优化过程中，往往会涉及到不同学科的专业分析模型以及各种商业软件应用的集成调度运行问题。在多学科设计优化过程中模型应用集成的基础上，结合设计模型的调度需求，研究了多学科模型的调度运行，并给出了基于有向循环图的通用模型调度解决方案，包括回路探测算法和模型调度算法。最后设计并实现了支持复杂产品多学科设计优化软件框架——iDesign的调度引擎，并以一个设计模型的调度为例，验证了方法的正确性和可行性。     

基于有限自动机的模式匹配算法及其应用研究

针对质量统计过程控制（SPC）中的异常模式快速匹配问题,提出了基于确定有限自动机（DFA）的模式匹配算法,给出了能利用DFA进行匹配的基于多维输入数据的模式串定义.在分析常规质量控制图中的八种异常模式的基础上,给出了基于DFA的模式串匹配算法.该算法在企业计算机辅助质量控制系统（CAQCS）中得到了成功的应用, 表明它适于解决SPC中的异常模式的匹配问题, 且有简单、快速和准确的特点.     

基于多Agent动态影响图的协作实现

将MAIDs在时间上进行扩展,提出一种新决策模型——多Agent动态影响图（MADIDs）,对动态环境中的协作关系进行建模;给出MADIDs的一种分层分解的分布近似方法,进而通过将决策结点和效用结点的推理引入到BK算法中,给出MADIDs环境模型的一种扩展BK（EBK）近似推理算法;引入一种BP神经网络学习MADIDs的局部效用函数。最后,针对一个表示协作关系的MADID模型,进行算法比较和仿真实验,实验结果显示了MADIDs模型的有效性。     

基于局部二元图的视频对象阴影检测方法

针对在视频对象分割时,运动投影常被误分为视频对象,给出一种新的视频阴影检测方法,该算法基于在灰度图像中阴影区域和背景相应位置具有相同纹理这一事实,其中利用自适应高斯混合模型进行背景建模,利用局部二元图(local binary patterns,LBP)来表征纹理。首先,进行基于自适应高斯混合模型的背景提取,获得包含运动投影的前景分割,分割时加入了LBP纹理相似性判断,减少了分割出的目标内的孔洞提高了分割的精确度。然后利用阴影区域和已获取背景相应位置的LBP纹理相似性,可较好的对视频阴影进行检测。通过实验,获得了不错的阴影检测实验结果,可较好地应用于运动目标检测分割及跟踪等领域。     

UML类图到CPN转化方法的研究

UML（Unified Modeling Language）作为一种面向对象分析和设计的建模语言已被用在很多大型软件系统中,但UML缺乏精确的语义描述,难以直接用数学工具对UML模型进行分析、验证。而CPN（Coloured Petri Nets）作为一种建模工具,有着严格的形式化语义和分析方法。主要针对UML的类图,给出类图到CPN的转换方法,并以实例说明。     

综合媒质的设计语言表达

设计是一个将构想转化为现实的创造性过程,设计表现图是设计师运用各种媒介、技巧和手段来说明设计构想、传递设计信息、交流设计方案并籍此征询评审意见的工作,是整个设计活动中将构想转化为可视形象的重要环节.当今文化的格局呈现出更开放、更多元、更包容的态势,可以说"多元"与"综合"已成为当代人类文化环境的一个显著特征.     

笛卡尔积图K3,3×Pn的交叉数

两个图G1和G2的笛卡尔积图G1×G2是这样一个图:V(G1×G2)=V(G1)×V(G2),E(G1×G2)={(u1,u2)(v1,v2)|u1=v1且u2v2∈E(G2),或者u2=v2且u1v1∈E(G1)}.确定了笛卡尔积图K3,3×Pn的交叉数为7n-1.