基于深度体素卷积神经网络的三维模型识别分类

提出一种基于深度体素卷积神经网络的三维(3D)模型识别分类算法,该算法使用体素化技术将3D多边形网格模型转化为体素矩阵,并通过深度体素卷积神经网络提取该矩阵的深层特征,以增强特征的表达能力和差异性。在ModelNet40数据集上的实验结果表明:所提算法对3D网格模型识别分类的准确率能够达到87%左右。所构建的深度体素卷积神经网络能够有效地增强3D模型的特征提取和表达能力,提高对大规模复杂3D网格模型分类识别的准确率,所提方法优于当前的主流方法。     

二叉树模型的参数估计

二叉树模型是期权定价中被广泛使用的模型之一, 其参数估计对于期权定价具有重要影响. 本文给出了一种二叉树模型参数估计方法, 该方法克服了二叉树模型经典参数估计方法的缺陷, 特别地, 消除了主观概率设定对参数估计的影响.     

一种云天背景下单帧红外弱小目标检测新方法

针对复杂背景下单帧红外图像中的弱小目标检测问题,提出了一种级联的改进Asymmetric AdaBoost算法。该算法通过提取红外小目标梯度对比度、邻域灰度分布等多个有效特征,充分利用多个红外特征的互补作用,对Asym-metric AdaBoost在仿真中出现的问题进行了相应的改进。通过对实测数据进行仿真,结果表明该方法达到了高检测概率和低虚警率,能有效地检测红外弱小目标。     

完全二叉树模型中元素的CB秩

本文以完全二叉树理论的可量词消去为基础,介绍了该理论的可数原子模型 及饱和模型,并计算了一元、二元完全型的CB秩,从而给出了CB秩在该理论中的 几何解释.     

目标跟踪中目标模型更新问题的半监督学习算法研究

本文针对长期稳定的目标跟踪中的目标形变、尺度缩放、旋转等问题, 提出一种步步为营的反馈式学习方法, 该方法通过正、负约束实现对于目标模型和分类器的判别能力和容错能力提高的同时, 使更新带来的误差尽量小, 并证明了其收敛性. 通过实验表明, 对于同一种跟踪算法使用本文提出的目标更新方法进行更新学习的比不更新学习的跟踪效果要稳定得多, 对于目标的尺度变化、形变、旋转、视角变化、模糊等都有较好的适应性, 并通过与现有的较流行的方法进行比较, 本文方法鲁棒性较好, 有很高的研究和应用价值.     

基于单片机的SCPI命令解析模块的设计与实现

目前,可编程仪器标准命令(SCPI)已广泛应用于测试计量仪器的操作控制中;为提高SCPI命令解析模块通用性、灵活性,进一步简化仪器内SCPI命令解析、提高程控执行效率,采用ATmega128单片机,在单片机内将SCPI命令解析作为单独模块完成;单片机存储空间分为数据引导表区和数据存储区,采用孩子兄弟表示法建立二叉树存储SCPI命令集,通过遍历二叉树完成命令的解析;此解析模块具有解析速度快、可移植性好等优点,已经成功应用于某航天数据记录仪,并验证了其正确性和可靠性。     

海杂波背景下的目标检测新方法

提出了一种基于分形布朗运动模型的S波段雷达海杂波分形维数提取方法.分析了基于记忆库混沌时间序列预测方法，引入一种改进核函数的支持向量机分类器.在此基础上，提出了一种新的海杂波背景下目标检测方法.应用S波段雷达实测海杂波数据，计算得到了该信号的分形维数与Lyapunov指数，验证了S波段雷达海杂波的混沌分形特性.仿真实验结果验证了该方法具有较强的检测能力和抗杂波性能. 关键词： 分形布朗运动 分形维数 记忆库预测方法 支持向量机分类器     

高功率多程放大系统中鬼像的分析

为了有效地避免鬼像破坏,针对采用离轴多程放大的高功率固体激光实验装置的光路特点,利用“光路二叉树”原理和“矩阵光学”方法,将全光路“单元化”为主放大、助推放大、反转器和输出4个部分进行光线追迹和鬼像分析,给出了各个部分的主要鬼像分布.并通过将鬼像分析的结果与前期实验中发现的现象进行比对,证明了此种分析方法的可行性和可靠性.从而为在今后实验装置的改造和类似系统的设计中有效的分析和规避鬼像提供了理论和实验依据.     

Combined multi-kernel support vector machine and wavelet analysis for hyperspectral remote sensing image classification

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features.Multi-kernel classifiers,however,are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs.Using a support vector machine(SVM) as classifier,different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area,Beijing City.Results show that by integrating spectral and wavelet texture information,multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers.Moreover,when the multi-kernel SVM classifier is used,the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy(97.06%).Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.     

区间型符号数据的特征选择方法

对区间型符号数据进行特征选择,可以降低数据的维数,提取数据的关键特征。针对区间型符号数据的特征选择问题,本文提出了一种新的特征选择方法。首先,该方法使用区间数Hausdorff距离和区间数欧氏距离度量区间数的相似性,通过建立使得样本点与样本类中心相似性最大的优化模型来估计区间型符号数据的特征权重。其次,基于特征权重构建相应的分类器来评价所估计特征权重的优劣。最后,为了验证本文方法的有效性,分别在人工生成数据集和真实数据集上进行了数值实验,数值实验结果表明,本文方法可以有效地去除无关特征,识别出与类标号有关的特征。