基于物体关系描述的单目语义SLAM方法

外界环境的语义感知和自身位置的准确估计是移动机器人自主导航和作业的关键。提出了一种基于单目相机的语义SLAM(simultaneous localization and mapping)方法,在轨迹估计的同时完成三维目标检测。提取物体自身语义、尺寸、颜色分布及其邻域拓扑结构等多元信息作为描述子,实现帧间物体的准确关联。在后端对相机位姿、地图点和物体路标进行联合优化,并自适应调整代价函数中各误差项的权重系数,以提高各状态变量的估计精度和鲁棒性。实验结果表明,所提出的算法在地图构建方面具有较高的精度。     

基于启发式的多机器人SLAM地图融合方法研究

同步定位和地图构建（simultaneous localization and mapping,SLAM）是移动机器人在未知环境中完成地图构建和定位任务的关键技术。针对多机器人SLAM中的地图融合问题,提出一种启发式的搜索方法引导局部地图的重复区域进行地图融合。每个机器人可以在不了解其相对位置的情况下建立局部地图,并将局部地图信息发送至同一工作站中,以局部地图的相似性为判断指标融合得到最优的全局地图。在机器人实物平台上进行验证,结果证明了多机器人SLAM的地图融合算法的有效性和准确性。     

链环的色度及Jones多项式的次数

Γ是权图,PΓ(x,y,z)、d(Γ)和σ(Γ)分别是Γ的多项式、色度和符号差,L是链环,VL(x)、d(L)和σ(L)分别是L的Jones多项式、色度和符号差.讨论了d(Γ)和σ(Γ)的某些性质,并将它们运用在链环中,由此刻画了d(L)和Jones多项式的次数.     

基于完全样本的两参数Weibull分布的参数估计

结合概率图、数值计算方法及Monte-Carlo法给出了在完全样本下两参数Weibull分布参数极大似然估计(MLE)的数值解和区间估计的枢轴量,最后针对具体实例利用随机模拟实现了极大似然估计和区间估计,效果良好.     

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。 实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。     

DEM最优线性生成技术——MADEM

讨论了DEM生成方法和高精度、高保真问题.指出评价生成方法的误差必须顾及内插模型的截断误差,并把它作为主要部分;给出了新型的地图代数DEM生成方法--MADEM(map algebra DEM),它是定义在最速下降线水平投影上的线性插值方法,通过赋值点线间的加权Voronoi的递归内插过程实现.它在同样条件下,具有远高于Delaunay构网下三角形上的线性插值方法精度,并具有高保真特性.分析和实例比较表明它是目前DEM最优的线性内插方法.     

基于修正差别矩阵的高效属性约简算法

为降低基于修正差别矩阵的属性约简算法的复杂度,给出了基于修正差别矩阵的简化差别矩阵,证明了基于该简化差别矩阵的属性约简定义与基于原修正差别矩阵的属性约简定义是等价的.在此基础上设计了一个基于简化差别矩阵的属性约简算法,其空间和时间复杂度分别被降为O(|C|(|U'pos||U/C|))和max{O(|C|2(|U'pos||U/C|)),O(|C||U|log|U|)}.实例说明:用新算法进行属性约简,不仅减少了计算量,而且减少了存储空间,因而是一种高效的属性约简算法.     

平面的一类开域上不存在加倍测度

通过直线上的一类胖Cantor集构造了[0,1]~2上的一类开域,使得在这类开域上不存在加倍测度,并且构造一个R~2上的有界若当闭域Ω,使得Lebesgue测度L在其上的限制不是加倍测度.     

一种三角形分解的大集和超大集

混-4三角形分解的大集,记为LT4(v,λ,4λ),是一个集族{(X,(β)r):1≤r≤v-2/λ}.其中,X是一个v元素,每一个(X,(β)r)是一个混-4三角形分解T4(v,λ,4λ).混-4三角形分解的超大集,记为OLT4(v,1,4),是一个集族{(X\{x},(A)x):x∈X}.其中,X是一个v 1元集,每一个(X\{x},(A)x)是一个混-4三角形分解T4(v,1,4).给出了LT4(v,λ,4λ)和OLT4(v,1,4)存在的充分必要条件.     

d-界距离正则图中一类格的特征多项式

设Г是一个直径d≥3的d-界距离正则图,x∈V(Г),P(x)是Г中包含x的所有强闭包子图的集合,并且P(x,i)是P(x)中所有直径为i的强闭包子图的集合.设￡(x,i)是P(x,i)中元素的交生成的集合.按反包含关系规定￡(x,i)的偏序,￡(x,i)记为￡R(x,i).利用M(o)bius反演公式计算了￡R((x,i)上的特征多项式X(PR(x),t).