面向采收作业的枣园移动平台关键技术研究
这是一篇关于多目标进化算法,TOPSIS,数据融合,激光雷达,机器视觉的论文, 主要内容为随着中国枣类产量连年增长,生产管理过程中产生的劳动力需求也不断提高,因此针对枣园自动化作业机械开展研究具有重要意义。国内外针对枣园移动平台开展的相关研究较少,而枣园移动平台作为枣园自动化作业机械的平台,能够搭载采收作业装备在果园内运动,是自动化采收的核心。本文针对标准化种植的枣园,设计面向采收作业的枣园移动平台,对悬架系统参数优化设计、枣园树干识别和自主导航等关键技术研究。本文的主要研究内容及结论如下:(1)设计了枣园移动平台机械系统与控制系统。机械系统由承载车架、行驶系统和收集系统组成,整体尺寸(长×宽×高)为1280×1000×652 mm。行驶系统采用四轮独立驱动、独立转向和独立悬架,具备全向移动能力。收集系统的测量模块利用压力传感器实时测量采果量,配合由夹持机构、旋转机构、提升机构和移动机构组成的换箱模块实现连续采收。控制系统由运动控制模块、环境感知模块和算法决策模块组成。在运动控制模块中建立了具备直行、双阿克曼转向、原地转向和横向移动4种模式的运动控制模型和用于电机通信的高速CAN通讯网络。环境感知模块由二维激光雷达、单目相机和惯性测量单元构成,构建了环境感知模块拓扑结构。按照数据通讯接口需求和功能分布,选择树莓派4B作为上位机,STM32作为下位机构成算法决策模块,并完成了控制系统整体结构拓扑。(2)提出了一种移动平台悬架的多目标优化设计方法,可以平衡不同的性能指标,得到最优的悬架参数组合。利用拉格朗日方程建立移动平台双横臂悬架的偏微分方程(PDE)模型,包括减振器长度、横臂长度、减振器刚度系数和阻尼系数。建立了四个评价指标来评价悬架的性能,包括悬架系统的总质量、稳定状态下悬架的重心高度、悬架在阶跃响应下的波动程度和减振器的变形程度。选取8种多目标进化算法求解悬架多目标优化设计问题,利用TOPSIS法对非支配解集进行评分,得分最高为最优解。优化结果为:减振器长度l为0.21790 m,横臂长度l2为0.08181 m,减振器刚度系数k为19201.10593 N/m,减振器阻尼系数c为385.76418 Ns/m。结果表明,NSGA-III结合TOPSIS法可以有效地获得高质量的枣园移动平台悬架系统参数。(3)设计了一种基于点云和图像数据融合的导航算法。通过将二维激光雷达和单目相机的联合标定,完成点云数据到图像平面的投影。通过DBSCAN聚类算法实现对点云数据每个单独物体的分类,同时计算出每个物体的中心点和边缘点坐标。选择欧氏距离最小的物体中心点作为工作目标,根据工作目标中心点和边缘点坐标计算ROI尺寸。利用颜色特征和纹理特征实现对ROI图像中物体的类型识别,通过直方图双峰法选定Hue值阈值、对比度阈值、能量阈值和同质性阈值,完成对ROI图像物体类型的识别。(4)完成了枣园移动平台整机测试。进行了移动平台的运动性能测试,其能够实现设计的直行、双阿克曼转向、原地转向和横向移动四种模式;双阿克曼转向半径为1405.98 mm,原地转向半径为611.34 mm;滑转率为1.86%;能够负载30 kg通过坡度15°,长度1.5 m斜坡;悬架系统能够减少77%的振动,最大加速度降低至12.2987 m/s2,满足设计要求。在枣园环境中测试导航算法对于树干和非树干物体的识别效果,识别测试灵敏度为90.48%,精度为99.35%,准确率为92.44%,结果表明本研究设计的导航算法能够完成枣园内树干和非树干物体的识别定位工作。
基于多目标进化的情境感知推荐算法研究及应用
这是一篇关于推荐技术,K-means++聚类,多目标进化算法,协同过滤,spark集群的论文, 主要内容为随着5G时代的到来,人工智能为科技赋能生活提供了更加便捷的服务。我们可以在家通过互联网进行学习,阅览电子图书、浏览实时新闻、在软件上进行观影,以及在电商平台对所需商品下单。但是,同时也产生了另外一类问题,即数据资源量的与日俱增在互联网中呈现出指数增长态势,人们在面对海量数据时往往感到无所适从和无法及时找到所需内容,在这种场景下,精准和快速的推荐成为了解决这一问题的有效方法。而传统的推荐技术过多的依赖历史行为数据,忽略情境信息的重要性,导致推荐效果不理想,如何在传统推荐中融入情境信息降低历史行为数据依赖提升推荐的准确率成为了亟待解决的难题;另一方面推荐系统所生成的推荐列表存在精度和多样性相互冲突问题,在提升精度性能时往往是以牺牲多样性为代价造成了推荐列表中推荐项类型单一。基于上述问题,本文设计了一种融合上下文信息的推荐技术,在确保推荐列表多样性的同时提升推荐精度,具体完成了以下三个方面的内容。(1)针对传统媒体推荐系统中情境信息利用率过低的问题,设计了一种融合情境信息的聚类推荐算法,该算法在推荐前采用情境预过滤技术K-means++聚类将用户按一定的距离度量划分为不同的目标组,并将同一目标组中的高分项目推荐给目标用户。并在协同过滤算法中设计了时间衰减函数态追踪用户偏好漂移使得静态系统变成了时变系统,有效提高时间多样性和缓解推荐系统的冷启动问题。最终,进行了对比实验比较,验证了本文所提出的将情境信息融合到推荐系统中的技术的正确性和有效性。(2)设计了基于多目标进化的情境推荐机制MOEA＿CTUser CF,该机制根据多目标优化理论特性和进化算法有效平衡推荐列表中推荐项的精确性和多样性目标函数。其中,在多目标进化算法中将编码策略重新设计融入推荐项作为进化群体,结合改进的擂台赛法则构造Pareto非支配解集合降低时间复杂度,改进交叉、遗传、变异算子经过多轮迭代生成给用户的推荐列表,并且在基于Movie Lens数据集上与三个基准做对比实验。(3)构建了一个基于多目标进化的媒体推荐系统,该系统框架由spark集群实现,包含前台模块、后台模块、数据存储模块、离线推荐模块和实时推荐模块五个部分。
面向采收作业的枣园移动平台关键技术研究
这是一篇关于多目标进化算法,TOPSIS,数据融合,激光雷达,机器视觉的论文, 主要内容为随着中国枣类产量连年增长,生产管理过程中产生的劳动力需求也不断提高,因此针对枣园自动化作业机械开展研究具有重要意义。国内外针对枣园移动平台开展的相关研究较少,而枣园移动平台作为枣园自动化作业机械的平台,能够搭载采收作业装备在果园内运动,是自动化采收的核心。本文针对标准化种植的枣园,设计面向采收作业的枣园移动平台,对悬架系统参数优化设计、枣园树干识别和自主导航等关键技术研究。本文的主要研究内容及结论如下:(1)设计了枣园移动平台机械系统与控制系统。机械系统由承载车架、行驶系统和收集系统组成,整体尺寸(长×宽×高)为1280×1000×652 mm。行驶系统采用四轮独立驱动、独立转向和独立悬架,具备全向移动能力。收集系统的测量模块利用压力传感器实时测量采果量,配合由夹持机构、旋转机构、提升机构和移动机构组成的换箱模块实现连续采收。控制系统由运动控制模块、环境感知模块和算法决策模块组成。在运动控制模块中建立了具备直行、双阿克曼转向、原地转向和横向移动4种模式的运动控制模型和用于电机通信的高速CAN通讯网络。环境感知模块由二维激光雷达、单目相机和惯性测量单元构成,构建了环境感知模块拓扑结构。按照数据通讯接口需求和功能分布,选择树莓派4B作为上位机,STM32作为下位机构成算法决策模块,并完成了控制系统整体结构拓扑。(2)提出了一种移动平台悬架的多目标优化设计方法,可以平衡不同的性能指标,得到最优的悬架参数组合。利用拉格朗日方程建立移动平台双横臂悬架的偏微分方程(PDE)模型,包括减振器长度、横臂长度、减振器刚度系数和阻尼系数。建立了四个评价指标来评价悬架的性能,包括悬架系统的总质量、稳定状态下悬架的重心高度、悬架在阶跃响应下的波动程度和减振器的变形程度。选取8种多目标进化算法求解悬架多目标优化设计问题,利用TOPSIS法对非支配解集进行评分,得分最高为最优解。优化结果为:减振器长度l为0.21790 m,横臂长度l2为0.08181 m,减振器刚度系数k为19201.10593 N/m,减振器阻尼系数c为385.76418 Ns/m。结果表明,NSGA-III结合TOPSIS法可以有效地获得高质量的枣园移动平台悬架系统参数。(3)设计了一种基于点云和图像数据融合的导航算法。通过将二维激光雷达和单目相机的联合标定,完成点云数据到图像平面的投影。通过DBSCAN聚类算法实现对点云数据每个单独物体的分类,同时计算出每个物体的中心点和边缘点坐标。选择欧氏距离最小的物体中心点作为工作目标,根据工作目标中心点和边缘点坐标计算ROI尺寸。利用颜色特征和纹理特征实现对ROI图像中物体的类型识别,通过直方图双峰法选定Hue值阈值、对比度阈值、能量阈值和同质性阈值,完成对ROI图像物体类型的识别。(4)完成了枣园移动平台整机测试。进行了移动平台的运动性能测试,其能够实现设计的直行、双阿克曼转向、原地转向和横向移动四种模式;双阿克曼转向半径为1405.98 mm,原地转向半径为611.34 mm;滑转率为1.86%;能够负载30 kg通过坡度15°,长度1.5 m斜坡;悬架系统能够减少77%的振动,最大加速度降低至12.2987 m/s2,满足设计要求。在枣园环境中测试导航算法对于树干和非树干物体的识别效果,识别测试灵敏度为90.48%,精度为99.35%,准确率为92.44%,结果表明本研究设计的导航算法能够完成枣园内树干和非树干物体的识别定位工作。
医学影像分割CNN-Transformer混合网络的高效多目标神经架构搜索
这是一篇关于医学影像分割,神经架构搜索,多目标进化算法,权值共享,代理模型的论文, 主要内容为医学影像分割任务是近年来计算机视觉的一个关注热点和研究难点。医学影像分割任务的数据集通常存在样本数较少,数据质量不高等问题,而对于分割精度的要求又比较高。目前在医学影像分割任务上的主流网络依然是U-Net及其变种卷积神经网络(Convolutional Neural Network,CNN)。然而基于朴素3×3卷积的U-Net有着其固有的局限性,比如感受野有限等。此外针对一个特定的数据集,通常需要定制化设计网络,这不仅耗时耗力还对研究人员的特定经验知识提出很高要求。神经架构搜索(Neural Architecture Search,NAS)方法被提出用以实现自动地网络设计,然而通常的神经架构搜索算法只致力于提高网络的性能,并且每次只能搜索得到一个网络架构。而面对目前网络部署在场景和设备上日益多样化的趋势,网络本身的复杂程度或者参数量也成为了一个重要的考量因素。针对上述问题,本文首先设计了一个混合CNN与Transformer的医学影像分割网络CTU-Net来改善U-Net的全局特征提取能力与感受野,并进一步设计了CTU-Net网络的多目标神经架构搜索算法CTU-NAS,以便搜索具有高精度和低参数量的子网架构。本文的主要研究内容如下:(1)结合卷积网络与Transformer的各自优势,设计了混合CNN与Transformer的医学影像分割网络CTU-Net。首先,本文设计了残差菱形空洞卷积模块去替换朴素3×3卷积模块,可以用更少的参数量,获得更大的感受野。其次,在编码器和跳跃连接中加入有全局自注意力机制的Transformer模块,不仅能够加强特征的提取,而且能够帮助在不同阶段引入全局的感受野。(2)利用进化算法的强大多目标处理能力,设计了CTU-Net网络的多目标进化神经架构搜索算法CTU-NAS。CTU-NAS通过同时优化网络的参数量和精度,可以运行一次搜索得到一组参数量不一但精度尽可能高的网络架构。在CTU-NAS中设计了CNN和Transformer混合的搜索空间,并且针对卷积模块设计了特定的通道排序和选择策略来降低搜索空间的维度。(3)充分利用已学到的权重知识和宝贵的历史评价数据,设计了双重加速方法加速架构的搜索。权值共享的加速方法使得子网架构能够从超网中继承相应部分的权重进行增量训练,而无需从头开始训练。离线和在线混合的代理预测加速方法能够对架构性能进行廉价的近似评估,从而减少昂贵的真实评估次数。在ISIC2018和MoNuSeg两个医学影像分割数据集上的实验结果表明,本文设计的方法能够自动搜索出性能超越或者接近人工精细化设计的网络,还能在很大程度上压缩网络的参数量。并且设计的双重加速方法,极大地降低了搜索算法的时间成本。
基于进化算法的多目标商业推荐系统研究
这是一篇关于推荐系统,多目标进化算法,并行进化算法,冷启动,利润的论文, 主要内容为如今,以大数据为驱动的个性化商业推荐系统已经在Amazon、e Bay等大型互联网公司中广泛应用,他们的主要目的是利用推荐系统最大化公司利润,这与推荐准确性、推荐物品的利润值及长尾物品的曝光率均密切相关。然而,传统的推荐算法及目前的基于进化算法的多目标推荐算法都只考虑了用户侧的使用体验,却未考虑公司最关心的利润需求。另外,现存基于进化算法的多目标推荐算法存在后期超体积波动和时间开销过大的问题。针对以上问题,本文主要的研究和创新工作如下:(1)构建了一个以预期总利润和新颖性为目标函数的多目标商业推荐模型,其中预期总利润函数综合考虑了推荐结果的准确性和推荐物品的利润值,提高预期总利润函数值可以提升推荐列表的真实利润。新颖性函数定义为新物品及长尾物品在推荐列表中的占比,提高新颖性函数值可以在提升长尾物品曝光度的同时缓解冷启动问题。(2)提出了一种新颖的混合概率多目标进化算法(HP-MOEA)来优化(1)中的两个冲突的目标。HP-MOEA通过融合经典的NSGA-II和SMS-EMOA框架,使其优势互补,让算法的超体积在整个迭代过程中能够快速且稳定的提升。另外,本文提出了一种全新的概率交叉算子,该算子让优秀的父代个体拥有更大的基因遗传概率,增大了子代继承优秀基因的可能性,使群体更容易产生优秀的个体。在三个基准数据集上将HP-MOEA算法与MOEA-EPG、PMOEA、MOEA-Probs、CF和MF几个当前最主流的推荐算法进行对比实验,实验结果表明HP-MOEA与其他几个算法相比均具有一定的优越性。(3)首次构建了一个基于并行进化算法的多目标商业推荐模型,并提出了一种新颖的基于协同合作的并行多目标进化算法(CC-MOEA)。CC-MOEA通过一种类岛屿模型弥补了传统主奴模型和岛屿模型的缺陷,保证了算法在超体积不低于串行算法的同时大幅的降低算法的时间开销。在三个基准数据集上将CC-MOEA算法与e-DNSGA-II、SLA-MOEA、MOEA-EPG、PMOEA和MOEA-Probs几个当前最主流的多目标进化算法进行对比实验,实验结果表明CC-MOEA在超体积上均优于其他算法,并且其时间开销要远远低于串行的进化算法。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/48664.html
