大型储罐的三维点云精简方法研究

针对大型储罐三维点云数据散乱、冗余点多等影响计算机显示及容积计算的问题,改进了一种储罐三维点云精简算法。该方法先利用均匀网格法,将待处理的三维点云数据分割成若干小栅格;然后根据随机抽样一致(random sample consensus, RANSAC)算法对每个栅格中的点云数据建立球模型,以保留特征点并滤除冗余数据点,达到精简点云的目的。将该方法与传统的均匀网格法和非均匀网格法进行对比,实验结果表明该方法在保证较高精简率的情况下可以更好地保留储罐点云数据特征。     

基于角点匹配的鲁棒图像镶嵌方法

为了获取场景的宽视场表示,提出了一种鲁棒的图像镶嵌方法.该方法对图像序列中的各个图像进行角点提取,再利用归一化相关方法进行角点的初始匹配.由于初始匹配中包含有大量的出格点,直接采用最小二乘法得不到正确的图像平面间的变换模型参数,为此,采用了鲁棒随机采样算法来估计图像平面间的变换模型参数.该算法能够有效地剔除初始匹配中的出格点,获得精确的匹配点子集.然后利用这些精确匹配的点集来计算变换模型参数,从而实现了图像的正确镶嵌.整个过程无需人工干预,均由计算机自动完成.对真实图像的试验结果表明了该方法的有效性.     

运用条件随机变量方法处理信用资产组合分布

信用资产组合模型的分布计算是信用计量模型中一个非常重要的主题,对于这个问题一般常用的方法是进行蒙特卡罗随机模拟.本文的基本模型是将信用组合的价值分解为市场共同因素和个体因素两个部分,然后引入三种全新的基于条件随机变量的方法来处理信用资产组合分布问题,并通过实例对三种方法以及标准随机模拟方法加以比较分析.     

基于特征加权的神经网络集成及其应用

泛化能力是机器学习关注的基本问题之一.特征加权是特征选择的更一般情况,它能更加细致地区分特征对结果影响的程度,往往能够获得比特征选择更好的或者至少相等的性能,已经成为普遍的提高学习器的泛化能力的方法之一.该文提出一种基于特征加权的神经网络集成方法FWEART,该方法通过自适应遗传算法的优胜劣汰机制为输入属性确定了特征权值,提高了集成中各个体Category ART网络的精度和差异度,从而提高了神经网络集成的泛化能力.在UCI标准数据集上验证了有效性后,FWEART被应用在地震序列类型预报上,取得了较好的预报效果.     

随机动态载荷下轴类零件的层次分析法

根据影响轴类零件的随机动态载荷的主要因素,设定多层次指标体系,将层次分析法(AHP)用于随机动态载荷的分析评定中.该方法将轴类零件所受的复杂的随机动态载荷问题分解成若干层次,在各层次上对随机动态载荷进行定量分析.根据分析结果,建立随机动态载荷的分级标准,为合理载荷模型的确定提供依据.     

加速寿命数据的贝叶斯建模与分析

在加速寿命试验的可靠性设计中,随机化设计的限制以及删失数据不可避免地导致低分位数估计出现较大的偏差.针对上述的问题,结合贝叶斯抽样技术以及非线性混合模型(nonlinear mixed model,NLMM)提出了一种可靠性改进的分析方法.首先,需要检验所收集的数据是否服从威布尔分布以及验证形状参数是否是恒定常数.其次...     

具有关键字搜索性质的云存储加密方案

Dan Boneh等人提出了具有关键词搜索性质的公钥加密方案,并且构造出了在随机预言模型下可证明安全的基于BDH困难问题的双线性映射对下的具体构造.本文给出了一个具有关键字搜索性质的高效云存储加密方案,而且在随机预言模型下可证明CCA-安全.该方案能够安全高效的管理云服务器中的加密文件,能够对已经加密的文件进行相等配对.构造方案能够在无安全信道环境中传输陷门Tw.     

基于根移动方法的LQR控制器设计

阐述一种LQR控制器设计的新方法。根据哈密尔顿系统理论,深入研究了系统特征方程的闭环极点和加权矩阵的关系,给出了希望加权矩阵的确定方法。通过Matlab仿真实验,证明了根据极点的移动范围来确定LQR控制器的方法是可行的。     

古典概型问题的数学模型

在古典概型问题中引入了n次随机试验,n维样本点,n维随机事件和n维样本空间等概念,对解决古典概型的应用问题提供了相应的数学模型.     

企业战略风险的模糊评价模型

基于战略风险管理的基本概念与内容,从战略风险评价角度出发,提出了一类企业战略风险的模糊评价方法.即通过分析比较传统概率风险测度的不足,将模糊评价方法用于战略风险的评价,以更能准确地反映和把握企业战略的风险程度.