一种基于精简粒子群优化的霍夫变换算法

为了提高现有霍夫变换算法的准确率及计算效率,提出了一种基于精简粒子群优化的霍夫变换算法.该方法将霍夫变换后解的参数作为粒子位置,将霍夫变换的累加数组值作为粒子的适应度值,每一次迭代更新粒子的位置和速度,并将所得粒子群的适应度值按降序排列,保留"强壮"粒子,组成精简粒子群.实验结果表明,基于精简粒子群优化的霍夫变换算法不仅可以提高霍夫变换的计算速度,而且可以获得较高的计算准确率,特别是对于复杂背景图像和高噪声图像也同样适用.     

基于ARM的嵌入式系统教学平台的设计与实现

基于ARM的嵌入式系统教学平台的设计与实现以低功耗、低成本、高性价比的32位RISC ARM7TDMI系列嵌入式微处理器S3C44B0为核心,设计嵌入式系统教学实践硬件平台,包括硬件电路原理图设计和PCB板图设计,使用免费开源的Linux作为操作系统完成uclinux在教学实践硬件平台上面的移植,并为嵌入式系统教学实践平台配套设计一个综合应用实验.     

面向软件漏洞检测的Fuzzing样本优化方法

软件漏洞检测在信息物理融合系统中通常使用模糊测试(Fuzzing)技术。针对Fuzzing技术中存在大量冗余的测试样本,且样本探测异常的有效性较低的情况,提出一种面向软件漏洞检测的Fuzzing样本优化的方法。首先筛除随机样本中软件不接受的样本,并通过改进的动态规划算法获得初始样本的精简集,以减小初始样本的数量;然后在测试过程中跟踪污点传播路径,利用Simhash和海明距离的改进算法求解样本传播路径相似度,通过删除相似度较高的样本进一步降低样本冗余;最后对触发异常的样本进行遗传变异构建新的测试样本,以增加样本的有效性。通过实验结果可以看出,相较于利用基于贪心算法和基于异常分布导向的方法,这里提出的方法有效减小了测试样本冗余,并且提升了测试样本的有效性。     

逆向工程中的测量数据精简技术研究

在分析角度-弦高联合准则法和包围盒法的工程适用特点的基础上,提出了同时基于角度-弦高简化法和包围盒法的改进型数据的直接精简方法,即利用包围盒法构造分割面,利用分割面将数据点云处理成按扫描线存储的"结构化"测量数据,再利用角度-弦高联合准则法逐线精简.随后以铸造模板、汽车发动机罩及人头像为典型实例,分别对具有不同表面特征的测量数据点云进行了数据精简验证.结果表明,提出的方法同时具备2种数据精简方法的优点,且克服了该2种方法无法处理曲率变化大、附加特征多的表面测量数据的局限性,能够对测量数据进行直接而有效地简化,因此可以用于处理具有复杂附加特征的散乱测量数据.     

基于覆盖算法与多层前馈网络的案例库维护

针对运行在电子商务等交互式应用领域中的案例推理系统时,其案例库的规模很容易达到成千上万条且不能削减的特点,提出同时从两方面着手完成案例库维护:一方面用覆盖算法将案例库划分成覆盖领域,实现案例的选择性过滤使用;另一方面应用多层前馈神经网络改进案例匹配,提高检索效率.实验表明,该方法可以用来处理海量的高维数据,保证了系统的可用性.     

基于FP树的一种快速挖掘生成器算法

频繁项集挖掘是数据挖掘的一个热点,频繁项集的精简表示有助于减少频繁项集的数量,是频繁项集挖掘中的一个关键性问题。文章在总结频繁项集的相关精简模型后,对频繁项集精简模型,生成器精简表示模型进行研究。传统的生成器精简表示模型每次生成都需要扫描数据库,效率不高。本文提出一种新颖的频繁项集精简算法FPASCAL,使用FP树数据结构代替数据库再结合剪枝策略。理论分析及实验证明该方法在时间性能和空间复杂度上都优于传统方法。     

基于计算机视觉的自然图像自动线描系统

介绍一种自然图像的自动线描算法,使计算机能模拟人类素描绘画的过程.该系统包括线描提取及线描渲染两步骤.在线描提取过程中,采用一种综合低层及中层视觉信息的边缘检测方法提取线描,在传统边缘检测结果基础上,根据计算机视觉理论对边缘进行精简及连接等处理;在线描渲染过程中,采用尺度、亮度等特征作为渲染画刷的属性,对边缘曲线进行拟合后采用纹理映射等非真实感渲染的方法产生线描图像.实验结果表明:基于计算机视觉理论的自动线描方法切实可行,线描提取结果优于传统边缘检测结果,能很好地体现线描图像的艺术效果.     

采用R*-tree的三角网格曲面非均匀精简算法

提出了一种三角网格曲面非均匀精简算法.该算法采用R*-tree组织三角网格曲面的空间拓扑结构,实现了三角面片拓扑邻域的快速查询.结合三角网格曲面模型的曲率分布状况,对三角网格曲面进行聚类分簇处理,通过对分簇网格进行局部精简,实现了三角网格曲面模型的整体保形性精简.与同类精简算法的对比实验表明,该算法的数据适应性强,有效地保留了三角网格曲面的型面特征,精简后的网格模型与原网格模型的面片偏差降低了20%～45%,精简时间减少了10%～35%.     

一种考虑平面特征的室内稠密点云精简方法

针对室内稠密点云数据海量、信息冗余、处理难度大等问题,提出一种顾及平面特征的室内稠密点云精简方法。首先,通过无效点去除、统计滤波、体素滤波等完成稠密点云的格式检查、去噪和抽稀。然后,采用区域生长算法提取平面,并采用Alpha Shape算法提取其边缘信息。其次,将点云数据降维成图像,并提出一种融合聚类的四叉树分割方法实现目标聚类分割。最后,针对图像中不同聚类区域,采用3种采样策略回溯得到精简点云。试验选取公寓、卧室、会议室和办公室等典型室内场景测试方法性能。结果表明：与传统的随机采样、距离采样、八叉树采样等方法相比,该方法简化效果更佳,平均简化误差在3 mm以内。在保留场景平面特征和边缘细节信息的同时,显著降低点云存储空间。对于三维重建、地图管理和机器人导航有着重要意义。     

在有噪音的环境中挖掘序列模式精简基

提出在匹配度模型下频繁序列模式精简基的概念,精简基由相对于一系列匹配度阈值的最大序列模式组成,它是频繁序列模式的一个子集,可以用它来估计任一频繁序列模式的匹配度,并能将误差控制在确定范围内.还开发了一个从有噪音的序列数据库中挖掘这种序列模式精简基的算法,该算法采用了一种不需要保留候选序列模式的方法来检查最大序列模式,采用的剪枝技术也比以前的算法更有效率.实验结果显示计算频繁序列模式精简基是很有前途的.