采用视觉伺服的月球样品容器夹持控制方法

嫦娥五号探测器月面采样封装任务需利用采样机械臂及其末端执行机构夹持样品容器,为克服非结构化月面环境对机械臂控制造成的不可知影响,确保精确夹持样品容器,提出并设计了一种视觉伺服样品容器夹持的控制方法和系统。系统通过固定安装相机和"眼在手"相机协同获取机械臂末端执行机构以及样品容器特征,采用扩展卡尔曼滤波算法对机械臂末端执行机构位姿的控制参数进行估计,消除控制位姿的轨迹抖动,实现了对样品容器的精确夹持。最后,通过分析在轨月球样品容器被夹持过程的数据和图像,验证了该视觉伺服控制方法和系统设计正确有效。     

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价，提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先，基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架；然后，在此基础上，提出了基于人工蜂群算法的网络结构无梯度优化方法，以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络，即代价敏感剪枝；最后，为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标，提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化，使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下，相比传统的1D-CNN具有更低的整体误识别代价，且降低了50%以上的计算复杂度。      

一种基于小波分解的快速图像匹配算法

为了提高图像匹配的速度和精度,提出了一种基于小波分解图像匹配算法,该算法首先用Mallat算法对匹配图像进行小波多尺度分解,然后提取各级的边缘特征,最后在对图像进行多级分解的基础上进行匹配.该算法不仅减少了计算量,而且提高了图像匹配的精度.实验表明,提出的匹配算法在速度和精度上都是有效的.     

基于核的K近邻法

将核学习方法的思想应用于K近邻法中,提出了一种核K近邻算法,算法的主要思想是:首先将原空间中待分类的样本经过一个非线性映射,映射到一个高维的核空间中,突出各类样本之间的特征差异,然后在这个核空间中进行K近邻分类.为了验证算法的有效性,分别利用人工和实际数据进行K近邻分类和核K近邻分类,实验结果显示对于一些特殊的类分布数据,核K近邻分类比K近邻分类具有更好的分类效果.     

图像匹配中的相似性度量比较与分析

图像匹配作为一种重要的图像处理技术是图像信息融合、目标定位、变化检测、图像重建等后续工作的重要基础.选择合适的相似性度量对于图像匹配的结果至关重要.分析和讨论了图像匹配中常用的相似性度量;针对典型的基于灰度统计的图像匹配方法SSDA,实验比较了采用不同相似性度量对匹配结果的不同影响;对实验结果进行了分析和讨论,并得出了结论.     

支持向量机增量学习方法及应用

基于支持向量机的增量学习作为一种数据挖掘与知识发现技术,已在目标识别,网页分类等诸多领城得到应用.在概述其机理的基础上,从如何提高学习精度与学习速度着手,分析了现有算法及其优缺点和需要改进的问题;论述了增量学习的应用现状,并提出进一步的研究方向.