检索结果-内蒙古大学图书馆

小型微型计算机系统 2025年第2期46卷 353-364页

作者：江奎王中元黄文心贾雪梅王正胡瑞敏哈尔滨工业大学计算机科学与技术学院哈尔滨150001 武汉工程大学智能机器人湖北省重点实验室武汉430205 湖北大学计算机与信息工程学院武汉430062 武汉大学计算机学院武汉430072

低光照图像增强任务旨在提高图像的可见性,同时保持其视觉自然度.针对训练数据缺乏多样性以及恢复图像中细节丢失和颜色失真这两方面问题,基于分布一致性约束,本文提出一种无监督降质学习和数据增广方法用于低光照图像增强,其中包括设... 详细信息

低光照图像增强任务旨在提高图像的可见性,同时保持其视觉自然度.针对训练数据缺乏多样性以及恢复图像中细节丢失和颜色失真这两方面问题,基于分布一致性约束,本文提出一种无监督降质学习和数据增广方法用于低光照图像增强,其中包括设计两阶段的网络来学习低光降质的内在特性以及重新恢复低光图像的亮度和纹理细节.受彩色图像成像原理的启发,本文将低光图像增强任务分解为降质学习环境干扰去除,和图像本体细节和颜色细化表达.具体来讲,本文首先从低光输入中估计降质以模拟环境关照因素导致的失真,然后细化内容以恢复漫射导致的内容和对比度损失,并设计一种新颖的降质学习和内容细化网络.在低光图像增强和联合检测任务上的大量实验验证了本文算法的有效性和效率.

关键词：低光图像增强降质学习数据增广编-解码器扰动去除

来源：评论

学校读者我要写书评

暂无评论

基于蚁群算法的自由飞行空间机器人路径规划

引用

机器人 2002年第6期24卷 526-529页

作者：金飞虎洪炳熔高庆吉哈尔滨工业大学计算机学院智能机器人研究室 150001

本文采用蚁群算法实现了自由飞行空间机器人的避障路径规划 .蚁群算法是基于群体的一种仿生算法 ,为求解复杂的组合优化方法问题提供了一种新思路 .本文对蚁群算法进行了适当的修改 ,使之适用于自由飞行空间机器人的路径规划 ,然后用计... 详细信息

本文采用蚁群算法实现了自由飞行空间机器人的避障路径规划 .蚁群算法是基于群体的一种仿生算法 ,为求解复杂的组合优化方法问题提供了一种新思路 .本文对蚁群算法进行了适当的修改 ,使之适用于自由飞行空间机器人的路径规划 ,然后用计算机进行了仿真。

关键词：自由飞行空间机器人蚁群算法路径规划障碍避碰

来源：评论

学校读者我要写书评

暂无评论

基于检测点设置依赖图和属性表的卷回恢复算法

引用

计算机研究与发展 2001年第2期38卷 246-251页

作者：张宇洪炳熔哈尔滨工业大学计算机科学与工程系智能机器人研究室哈尔滨150001

为了解决检测点设置过程中的 Dom ino效应问题及卷回恢复过程中的活锁问题 ,并最大限度地减小时间开销 ,提出了基于检测点设置依赖图和属性表的卷回恢复算法 .同以前的算法相比较 ,该算法一方面节省了用于进程之间同步的时间开销 ,另一... 详细信息

为了解决检测点设置过程中的 Dom ino效应问题及卷回恢复过程中的活锁问题 ,并最大限度地减小时间开销 ,提出了基于检测点设置依赖图和属性表的卷回恢复算法 .同以前的算法相比较 ,该算法一方面节省了用于进程之间同步的时间开销 ,另一方面检测点设置及卷回过程中只涉及少量的相关进程 .

关键词：检测点依赖图属性表软件容错卷回恢复算法计算机

来源：评论

学校读者我要写书评

暂无评论

多自由飞行空间机器人控制系统结构的设计与实现

引用

高技术通讯 2001年第2期11卷 86-88页

作者：柳长安洪炳熔哈尔滨工业大学计算机系智能机器人研究室哈尔滨150001

阐述了多个自由飞行空间机器人协调操作自主控制系统的控制结构。首先介绍了控制系统结构的组成 ,讨论了控制系统的策略控制器。

关键词：多空间机器人控制系统结构策略控制器运动控制器

来源：评论

学校读者我要写书评

暂无评论

考虑动态因素影响的机器人磨削表面粗糙度预测

引用

仪器仪表学报 2025年第03期 110-122页

作者：郭万金郝钦磊徐明坤曹雏清赵立军王力长安大学道路施工技术与装备教育部重点实验室长三角哈特机器人产业技术研究院埃夫特智能机器人股份有限公司安徽工程大学计算机与信息学院哈尔滨工业大学机器人研究所北京理工大学机械与车辆学院

机器人磨削过程受到动态因素与静态因素的综合影响,具有复杂耦合、高度时变非线性等动态特性。为解决动态因素特征选择困难与仅考虑静态因素致使表面粗糙度预测精度低的问题,结合深度学习技术,提出一种考虑动态因素影响的机器人磨削表... 详细信息

机器人磨削过程受到动态因素与静态因素的综合影响,具有复杂耦合、高度时变非线性等动态特性。为解决动态因素特征选择困难与仅考虑静态因素致使表面粗糙度预测精度低的问题,结合深度学习技术,提出一种考虑动态因素影响的机器人磨削表面粗糙度预测方法。首先,利用卷积神经网络自动提取磨削过程中动态因素的空间特征,捕捉机器人磨削的复杂动态行为;通过双向长短期记忆网络从获得的空间特征中提取时序特征,表征机器人磨削的动态变化;引入注意力机制实现空间特征、时序特征和静态因素的自动权重分配;利用改进的鲸鱼优化算法自适应优化双向长短期记忆网络的超参数,提高收敛速度和适应机器人磨削动态变化。其次,根据所提预测方法,构建一种考虑动态因素影响的IWOA-CNN-BiLSTM-Attention表面粗糙度预测模型。再次,开展机器人磨削加工实验,将提取的动态因素空间特征和时序特征、采集的静态因素和表面粗糙度测量值归一化处理,构建实验数据集。最后,将实验数据集输入预测模型进行模型训练,实现同时考虑动态因素和静态因素的机器人磨削表面粗糙度预测;并通过对比实验验证所提预测方法的有效性,其对应预测模型的平均绝对百分比误差、均方根误差和决定系数分别为0.027 6、0.029 5和0.998 8,与对比预测模型相比,预测精度分别提高17.14%、13.65%和21.35%。

关键词：机器人磨削表面粗糙度预测动态因素静态因素深度学习

来源：评论

学校读者我要写书评

暂无评论

多智能体机器人系统的合作编队行为研究