摘要：基于视觉传感器实现道路信息的理解是目前移动机器人自主导航的重要研究方向,其中道路图象的正确分割是提取有效路径信息的关键。该文针对复杂、干扰因素多的室外环境下传统方法难以实现道路图象正确分割的问题,提出了一种基于LV Q神经网络的道路图象分割方法。该方法通过选取道路图象的归一化色彩分量为特征向量,应用基于LV Q学习算法的神经网络分类器进行道路与非道路识别;为解决环境噪声对神经网络输出的影响,本文设计了串行级联式四阶形态滤波器实现对神经网络输出的分割图象的滤波处理。通过对实测图象进行分割处理验证了该方法的有效性和鲁棒性,可用于室外环境下机器人的实时视觉导航控制。

摘要：基于学习向量量化(Learning Vector Quantization,LVQ)单次迭代聚类效果不稳定和随着数据维度增大,聚类效果下降的缺陷,采用了一种深度强化学习优化的LVQ聚类算法。将LVQ算法的每一次迭代看做深度强化学习的一个状态,LVQ算法初始化一组原型向量后,用原型向量与数据集中每一个数据点做“拉近”或“远离”运算来完成一次迭代。优化算法挑选一部分数据点,并与原型向量做运算,将这一过程作为一个动作,选取的数据子集不同,产生的动作也不同,把这些动作组成动作集,选定动作后,根据奖赏函数找到最佳动作,进入下一状态。通过对UCI公共数据集和碳碳沉积数据集试验,得出优化后的算法FMI提升3%到10%,Dunn指数提升2%到9%,准确率提高3%到6%,用于公共数据集及碳碳沉积材料的生产过程数据分析性能较优。

摘要：探地雷达适合于铁路路基病害的检测,但后期资料处理工作费时费力,不利于其在铁路路基检测中的推广使用。本文分析各种路基病害图像的特征,从图像中提取分段能量、方差和层面位置作为特征值。根据这些特征值的大小不但能区分各种病害类型,而且可以比较病害的发育程度。根据已知样本数据计算这些特征值,建立学习向量量化神经网络模型,通过不断调整神经元的权值和阈值对特征值进行学习,直到满足给定精度为止。应用调整好的神经网络模型对沪宁线检测数据进行测试,结果表明,该模型对路基翻浆冒泥病害的识别率达90%以上。

摘要：量子纠错与量子计算是量子信息科学坚实的基础和重要的组成部分.在实际应用中,如大气传输中的量子通信,将需要多种数学运算,其中包括量子纠错码.量子纠错码可以抵抗噪声,但由于构造量子纠错码依赖于量子纠缠,因此被认为是困难的.利用图态解决码字纠缠度是一个很有前途的解决方案,但高维图态构造起来仍有诸多困难,上述困难可以巧妙地通过码字纠缠的上界和下界来解决.本文根据稳定子码循环差集的特性和经典低密度奇偶校验(low-density parity check,LDPC)码的U和B组合,构造了高维量子低密度奇偶校验(quantum low-density parity check,QLDPC)码.通过计算新码元的非Z型生成元并求出其最小数目得到新码元的纠缠上界;再计算新码校验矩阵的秩作为纠缠下界.当码字纠缠上界和下界不同时,利用机器学习中的学习向量量化(learning vector quantization,LVQ)算法可同时求得码字纠缠度和编码复杂度,以此推得它们之间的关系.在计算运行速度方面,对比拉格朗日乘数法中的迭代算法,LVQ算法运行速度提高了37:68%,而且在稳定性和精度方面,LVQ算法的性能优于拉格朗日乘数法中的迭代算法.本文在量子码字纠缠度的测量中迈出了重要的一步,为设计具有更高译码效率的量子纠错码提供了帮助.

摘要：IELDVD060:9286:29507-450 0604492 LVQplus:扩充式学习向量量化(LVQ)算法及其效果 =LVQplus:extended LVQ algorithm and its effects [会,英]／Amasyali,M．F．／／Signal Processing and Com- munications Applications Conference,*** of the IEEE 12th．-450-453(A)