共查询到18条相似文献,搜索用时 156 毫秒
1.
2.
3.
4.
5.
针对采集到的点云数据中含有大量的冗余数据,为后期数据处理及其应用带来诸多不便,而采用现有通用压缩方法压缩后的点云容易造成细节特征丢失问题,为此,本文提出一种基于特征点和SIFT关键点提取的点云数据压缩方法。该方法的核心技术是首先根据查询点与邻域中的点所构成向量的夹角而提取边界点;然后根据点云数据的曲率和法向量夹角提取尖锐点,据此使特征点在点云压缩处理过程中得到绝对被保留;同时在平坦区域提取SIFT关键点,这样能避免在曲率变化缓慢区域所保留的并不是特征点;最后融合特征点和SIFT关键点而实现对点云数据的压缩处理。研究通过设计与现有两种基于曲率压缩方法进行对比实验分析,结果表明本文所提方法既能最大量的去除冗余数据,又能保留点云中大部分特征点,实现了点云数据的高质量压缩。 相似文献
6.
随着电磁信号环境日趋复杂以及通信设备数量的不断增加,电磁信号受到干扰问题逐渐加剧。因此,对于信号在不同噪声环境下的接收与处理技术的研究以及在复杂的电磁环境中对信号各项数据指标及其携带信息的利用十分关键。为了解在不同电磁环境下含噪信号的性能表现,提高信号的利用质量及可靠性,本文提出一种基于时间序列分解的电磁数据处理方法。建立了基于加法季节性时间序列分解的含噪信号处理模型,并利用该模型对信号在有噪环境下的表现与规律性、趋势、误码率等性能进行分析与评估,对原始信息、载波信息进行挖掘预测。与传统方法相比,本文提出的基于时间序列分解的信号挖掘与预测模型在高噪环境下对信号预测更为准确。 相似文献
7.
8.
提出一种多时间间隔的序列模式挖掘算法,依据挖掘的实际情况设置可变的时间区间,采用有效的剪枝策略,分区间精确显示多时间间隔序列模式挖掘结果.实验证明,算法具有较高的挖掘性能. 相似文献
9.
针对时间序列识别的难点,介绍了一种被称为动态时间规整神经网络(DTW-NN)的新颖的时间序列识别模型,DTW-NN是一种利用动态时间规整(DTW)的弹性匹配能力来将层的输入与权值动态对齐的前馈神经网络.通过这种方式,DTW-NN能够解决时间序列识别的困难,例如在前馈结构中的时间失真和可变模式长度.结合在4个不同的数据集... 相似文献
10.
11.
鲁棒参考水印(RRW)算法是基于小波多分辨分析的用于静态图像的数字水印算法,在分析了RRW算法在图像小波分解系数的平均值较小时的缺陷的基础上,根据人眼视觉原理,提出了利用水印的关键点信息来改进RRW算法的思想.与常规RRW算法不同,算法使用关键点信息,在对小波系数进行特征量化时,对关键点取较小的Q值,对非关键点取较大的Q值.在水印检测中,对关键点和非关键点赋予不同的权值,并深入分析了该方法的正向错误概率和负向错误概率的计算公式.实验结果表明,改进算法不但其性能优于原算法,而且还在一定程度上缓解了水印的不可见性和健壮性之间的矛盾. 相似文献
12.
基于差分隐私的时间序列模式挖掘方法中,序列的最大长度以及添加拉普拉斯噪声的多少直接制约着挖掘结果的可用性.针对现有时间序列模式挖掘方法全局敏感度过高、挖掘结果可用性较低的不足问题,提出了一种基于序列格的差分隐私下时间序列模式挖掘方法PrivTSM(Differentially Private Time Series Pattern Mining).该方法首先利用最长路径的策略对原始数据库进行截断处理;在此基础上,采用表连接操作生成满足差分隐私的序列格;结合序列格结构本身的特性,合理分配隐私预算,提高输出模式的可用性.理论分析表明PrivTSM方法满足ε-差分隐私,基于真实数据库上实验结果表明,PrivTSM方法的准确率TPR(True Postive Rate)和平均相对误差ARE(Average Relative Error)明显优于N-gram和Prefix-Hybrid方法. 相似文献
13.
14.
15.
传统三维(3D)点云配准过程中存在配准误差高、计算量大及耗时长等问题,针对该问题,提出了一种3D点云中关键点的配准与优化算法.在关键点选取阶段,用边缘点检测算法剔除边缘关键点,以提高关键点特征描述的全面性和重复性,降低3D点云配准误差.在3D点云配准阶段,用K-维树(KD-tree)加速的最近邻算法和迭代最近点算法剔除... 相似文献
16.
17.
时序数据库中部分周期模式的挖掘算法研究 总被引:1,自引:0,他引:1
时序数据库中关联规则或模式的出现通常会呈现一定的周期性,部分周期模式的挖掘是数据挖掘领域一个崭新的问题。首先介绍了部分周期模式的研究背景及相关概念,然后给出了现有的挖掘算法并对其进行分析比较,最后简述了在四川省智能交通系统中,应用部分周期模式的挖掘算法来分析交通流量及IC卡盈缺数量周期模式的KDD系统。 相似文献
18.
提出以面部关键点为中心选取子区域,对各个子区域提取(Local binary pattern,LBP)特征,用最近邻分类器进行面部运动单元(Action unit,AU)组合识别。AU的运动与面部特定肌肉的变化有关,基于关键点特征的提取方法可最大限度提取有用的信息,减少冗余信息,与提取整幅面部表情图像的LBP特征方法相比较,其识别结果有明显的优势。 相似文献