目的随着三维扫描仪以及三维点云采集技术的飞速发展,三维点云在计算机视觉、机器人导引和工业设计等方面的应用越来越广泛。但是由于传感器分辨率、扫描时间以及扫描条件等限制,采集到的点云通常比较稀疏,无法满足许多应用任务的要求,因此人们一般采用上采样的方法获取稠密点云。但是由于原始稀疏点云缺失细节信息,对单一低分辨率点云进行上采样得到的结果往往较差。方法首次提出一种触觉增强的图卷积点云超分网络,主要思想是通过动态图卷积提取触觉特征并与低分辨率点云特征进行融合,以得到更加精确的高分辨率点云。由于触觉点云相比于低分辨率点云更加密集、精确,而且比较容易获取,因而本文将其与原始稀疏点云进行融合辅助后可以获得更加准确的局部特征,从而有效提升上采样的精度。结果首先构建用于点云超分的三维视触觉数据集(3D vision and touch,3DVT),包含12732个样本,其中70%用于训练新模型,30%用于测试;其次,采用倒角距离作为评价指标对数据集进行测试和验证。实验结果表明,不添加触觉辅助信息时,超分后点云的平均倒角距离为3.009×10-3,加入一次触觉信息融合后,平均倒角距离降低为1.931×10-3,加入两次触觉信息融合后,平均倒角距离进一步降低为1.916×10-3,验证了本文网络对点云超分效果的提升作用。同时,不同物体的可视化效果图也表明,加入触觉信息辅助后的上采样点云分布更加均匀、边缘更加平滑。此外,进一步的噪声实验显示,在触觉信息的辅助下,本文提出的网络对噪声具有更好的鲁棒性。在以3DVT数据集为基础的对比实验中,相比于现有最新算法,本文算法的平均倒角距离降低了19.22%,取得了更好的实验结果。结论通过使用本文提出的触觉增强的图卷积点云超分网络,借助动态图卷积提取触觉点云特征并融合低分点云,可以有效提高超分重构后高分辨率点云的质量,并且对周围噪声具有良好的鲁棒性。
功率预测是实现电能供需平衡、维持电网稳定运行的一项重要任务.随着分布式海上光伏系统的发展,光伏利用率不断提升,同时对光伏功率预测提出了更高的要求.针对机器学习方法在光伏功率时间序列预测中存在的样本数量不足、预测精度低以及隐私泄露等问题,提出一种基于联邦学习和变分模态分解的长短期记忆神经网络功率预测模型(long short-term memory neural network power forecasting model based on federated learning and variational mode decomposition,FL-VMD-LSTM).利用主成分分析法和三次样条插值对气象数据进行预处理,同时利用VMD将光伏功率时间序列分解为多个分量进行分步预测,降低光伏功率时间序列的非平稳性和复杂度.通过横向联邦学习的本地训练和参数聚合方法,实现在保证数据隐私安全情况下的光伏功率预测.通过4个算例进行仿真实验,验证结果表明FL-VMD-LSTM模型在光伏功率预测方面具有较高精度,与传统算法相比,RMSE和MAE分别降低了55.7%和55.5%.
暂无评论