摘要：针对点云场景语义标注存在着手工标注费时费力、算法耗时严重、标注精度不高和不适用于大规模场景点云处理等问题,本文提出了一种结合排序批处理模式的主动学习点云场景语义标注方法。该方法首先对原始点云进行下采样处理,然后利用改进的递归特征增加法从庞大的特征集中筛选出最优特征子集,采用排序批处理模式采样算法迭代选取并人工标注少数未标注点,通过创建最小人工标注训练集来完成下采样点云的语义标注工作,最后利用邻域等权标签传播算法完成原始点云数据的标注。对3个室外大场景点云分别进行的试验表明:本文方法只需人工标注7.50%、7.35%、5.83%的点云即可完成下采样点云的标注工作。此外,对比试验表明,本文方法在标注精度和减少人工成本方面优于其他方法,能为点云语义标注工作节省大量人工成本。

摘要：采用传统GM(1,1)方法对建筑物的沉降进行预测时,仅考虑了观测向量中的误差。但系数矩阵中的元素是由观测量组成的,不可避免地含有误差。建立GM(1,1)联合模型,采用总体最小二乘拟合推估法求解灰参数及沉降预测值,即顾及了观测值与系数矩阵中含有的误差,同时考虑到系数矩阵中常数项元素以及其它各元素间的相关性,将灰参数与沉降预测的解算同时进行,有效地提高预测精度。