一种新的保持分形特征的分形变形方法

针对IFS吸引子变形过程中间出现的分形特征退化的问题,提出基于局部吸引子的近似凸包及旋转匹配的特征对应方法.IFS吸引子的局部吸引子可由独立的IFS生成,IFS中每个压缩仿射映射存在不动点,构造所有不动点的凸包,即得到局部近似凸包;证明了局部近似凸包间的相似对应等价于局部吸引子间的相似对应,并提出了通过旋转匹配的特征对应方法实现局部近似凸包的配对,最后计算所有配对下相似度最高的一组局部近似凸包匹配,确定局部吸引子间的特征对应,即IFS特征对应.对两个IFS进行线性插值可实现保持分形特征的分形变形.     

基于中心凸包算法与增量学习的SVM算法研究

基于计算几何理论,在分析支持向量与凸包向量关系的基础上,提出了一种基于中心凸包算法与增量学习的SVM学习算法。在确保分类器达到可靠精度的前提下,为解决学习中时耗过长的问题,在对当前训练集计算凸包的基础上采用欧式中心距离淘汰法对训练样本进一步精简,并且每次进行增量学习的样本都包含前次训练样本集中违背KKT条件的样本,在UCI数据库上进行算法对比实验,结果表明算法的可行性和有效性。     

全局仿射变换条件下图像不变量提取新方法

从仿射几何理论出发,提出了一种全局仿射变换条件下图像特征不变量构造的新方法.利用仿射区域划分获取一组扩展质心集合作为图像特征点集;求解特征点集的凸包,根据扩展质心的性质将凸包顶点均匀组合成若干特征区域;利用仿射几何性质构造了有效的仿射不变量.实验对该方法进行了全面的比较分析,以验证所构造的不变量更具稳定性和高时效性.     

狭窄环境中基于几何法的全局路径规划新方法

研究狭窄障碍环境下基于几何法的移动机器人全局路规划方法。用不同多边形表示机器人和障碍物,多边形集合构成环境地图。利用数组矩阵存储机器人和障碍物的顶点坐标,便于计算机进行识别、分析和计算。在此基础上,建立了两个子函数——障碍物筛选子函数和凸包计算子函数。通过对两个子函数的循环调用,找出所有较优无碰路径,最后根据一定准则选择全局最优路径。该算法把狭窄障碍环境中的路径规划问题转换成凸包计算问题,且能够生成多条可供替换的较优路径。当环境空间相对狭窄、机器人形状较为复杂,在路径转弯处作旋转运动时,可根据安全需要选择合适的运动路径,从而增加了算法的适用性。仿真结果表明:该算法简便高效,能够满足路径实时规划要求。