排序方式: 共有30条查询结果,搜索用时 19 毫秒
1.
2.
为解决复杂场景中的前景提取问题提出一种基于三维光场分析的静态场景前景分割方法.首先,通过在一条直线等间距的不同视点上拍摄场景的序列图像构建密集采样的三维光场.其次,用线段检测(LSD)直线检测算法从对极平面图(EPI)中分析提取出场景边缘及其深度信息.借助分段三次Hermite多项式(PCHIP)快速插值算法恢复整个场景的深度信息.最终,通过阈值法实现对不同深度的前景物体的分割.初步实验结果表明,本方法能够较准确地恢复场景中多个物体之间的空间关系,前景分割结果较好地克服了现有基于区域聚类和数学形态学等方法在复杂场景应用中存在的过分割问题. 相似文献
3.
基于产品平台技术,提出了基于混合进化算法的参数化产品族递进式优化设计方法.建立了参数化产品族的递进式优化设计流程,提出改进的强度Pareto进化算法(SPEA2+)与非支配排序遗传算法(NSGA-II)相结合的多目标混合进化算法对参数化产品族设计问题进行优化,混合进化算法使用了两类种群进行求解,解决了同步进化带来的数据扰动问题.在参数化产品族递进式优化设计过程中,首先优化产品族设计平台,建立参数化产品族设计问题的多目标优化数学模型,通过产品设计参数的敏感度分析和变差指数计算,划分产品平台的设计常量和设计变量,形成稳健的产品平台来获得最优参数.然后对产品族中实例产品的多个性能进行优化,在已有的产品平台基础上,优化设计变量的取值.最后,以电动机产品族的递进式优化设计过程为例证明了该方法的有效性和适用性. 相似文献
4.
多粒度是粒计算领域的重要研究方向之一,它在两个或多个不同的粒度下进行问题求解,已经成为解决复杂问题的一种新的范式。属性约简作为粗糙集理论的核心内容之一,已被成功地应用于粒计算、数据挖掘等领域。将多粒度思想应用于属性约简将是一个有意义的研究方向。为此,本文运用粒计算理论中的粒化思想进行属性粒化,构造多个属性粒;然后基于属性粒上的区分矩阵计算属性粒的重要度和属性粒中属性重要度;最后利用这两种重要度设计了一种多粒度属性约简算法。通过在不同的粒中挑选属性,该算法得到的约简结果更具有代表性和差异性。本文利用6个数据集对提出的多粒度属性约简算法的性能进行测试,实验结果表明了提出算法的有效性。 相似文献
5.
6.
模块化设计能够缩短产品研发周期,提高产品的性能,可拆卸设计将绿色设计思想拓展到产品的全生命周期。综合模块化设计方法和可拆卸设计的思想,提出了可拆卸设计的模块化准则,以可拆卸度、内部聚合度、外部耦合度为优化目标进行模块划分。针对免疫克隆算法在模块划分问题上,最优Pareto解集分布不均匀的问题,改进了一种免疫克隆算法(immune clonal algorithm,ICA),该算法通过删除非支配抗体中较为拥挤的抗体,得到了分布均匀的Pareto解集。利用该算法进行模块划分,得到了模块划分的优化结果,该方法以模块划分为主要目标,同时兼顾了模块零部件之间可拆卸性的复杂程度,最后以飞机起落架为例说明了该方法的可行性和适用性。 相似文献
7.
针对边界层吸入条件下的跨声速风扇设计问题,提出了一种掠型叶片的设计方法,分析了三种前缘掠角分布对风扇气动性能的影响,并在边界层吸入情况下对比了复合掠型风扇和原型风扇的气动性能和流动特征,探讨了叶片通过低压畸变区过程中的流场变化。研究结果表明,均匀来流时复合掠型风扇没有改变原型风扇堵塞流量,但稳定裕度提高了7.1%;边界层吸入20%进口高度时,复合掠型风扇峰值效率比均匀来流时降低了1.8%;比Rotor67风扇能够在更低的流量工况下承受同等的来流参数畸变流场。在叶片通过畸变区域过程中,退出畸变流场时更容易触发旋转失速。 相似文献
8.
针对现有组合导航系统易被干扰欺骗以及姿态求解精度不足的问题,设计了惯性测量单元(IMU)与偏振光传感器组成的航姿参考系统(AHRS)。同时,考虑到传统的姿态求解方法精度不高,提出了一种用于仿生导航无人机航姿求解的混合滤波方法。将Mahony滤波后的姿态值作为系统观测量,再结合扩展卡尔曼滤波(EKF)实现传感器数据的深层融合,以获得高精度的姿态角信息。实验结果表明:在静态环境下采用混合滤波方法求解的姿态值能有效滤除偏振光传感器和加速度计内部噪声干扰,其稳定性明显优于两种方法各自求解时的情况;在动态实验中该方法能有效抑制单独采用Mahony滤波时存在的超调问题,表现出更高的动态解算精度,从而为偏振光组合导航系统提供了更精确的姿态估计信息。 相似文献
9.
雾霾肆虐,室仙室外空气双重污染,深受其害的人们比以往任何时候都更加关注空气污染问题。那么有人也许会问,太空没有雾霾,在太空飞的航天员还会面临空气污染问题吗? 相似文献
10.
高光谱图像(HSI)分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器,预测图像中剩余像素对应的类别标签。在实际应用中,由于人工标记样本成本过高,只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题,提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息,构建基于有标签样本记忆模块,并根据样本间的特征关联,利用不断更新的记忆模块学习无标签样本的潜在类别分布,构建无监督分类模型,并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明,所提方法能有效提升小样本高光谱图像分类的准确性。 相似文献