陈优广
- 作品数：28 被引量：118H指数：6
- 供职机构：华东师范大学更多>>
- 发文基金：国家自然科学基金江苏省“青蓝工程”基金资助项目江苏省教育厅自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于内省推理的多agent在线学习新方法
- 多agent环境下agent的最优策略取决于其他agent的策略,这使得学习目标不易被清晰的定义.基于客观观察行为建模的方法并不保证学习策略最终收敛.本文提出了基于内省推理方法的多智能体环境下智能体高效在线学习方法,将基...
- 韩伟王成道陈优广
- 关键词：多智能体
- 文献传递
- 矩形点阵上八近邻图像的链码转换算法被引量：1
- 2006年
- 给出了矩形点阵上八近邻图像的顶点链码(VCC)、Freeman链码和边界链码之间的转换算法,给出了图像边界的边界链码与顶点链码之间的相互转化算法和顶点链码与Freeman链码之间的相互转换算法,于是可以方便地直接由一种链码得到其他的链码表示,由某种链码获得的图像信息也为其他链码所共享.
- 张薇陈优广顾国庆
- 关键词：FREEMAN链码边界链码顶点链码
- 一种计算图像几何矩的快速算法被引量：3
- 2007年
- 提出了一种计算图像几何矩的快速算法。根据图像区域边界的顶点链码,给出了图像几何矩的计算公式。该算法可以看作是格林理论的离散版本的一个推广,对低阶几何矩,算法的复杂度为O(n)。与原有的几何矩算法比较,该方法具有实现简单、计算量小、计算结果精确等优点。
- 陈优广陈芳
- 关键词：顶点链码几何矩
- 边界跟踪、区域填充及链码的应用研究
- 边界跟踪与填充是图像处理的基本问题。链码间的转换是从已知一种链码获得其他链码的便捷方法。链码是获得图像几何特征的重要手段。文档图像的倾斜校正和表格识别是字符识别技术最重要的应用领域之一。
本文从边界跟踪、链码转...
- 陈优广
- 关键词：链码图像处理倾斜校正字符识别
- 文献传递
- 图像顶点链编码和顶点欧氏距离的计算被引量：3
- 2005年
- 利用链编码及其特性,分析得出图像区域边界的周长、最小外接矩形(MER)的长与宽,及图像所占区域的面积.对于正四边形、正三边形和正六边形点阵上的图形,分别提出了直接从链编码计算图像顶点欧氏距离的方法.
- 张薇陈优广顾国庆
- 关键词：顶点链编码欧氏距离
- 电子市场买方结盟的利益分配及其结盟策略被引量：3
- 2007年
- 针对电子市场买方购物结盟,提出一种新的联盟内利益分配方法和在该方法下的结盟策略。Agent通过结盟所获利润,根据Agent对联盟的贡献在联盟内进行显式分配,而不是依赖于联盟价格缺省分配。这使得A-gent的结盟利润不仅与当前加入的联盟有关,而且与结盟顺序有关。与现有利益分配方法相比该方法更合理,结盟策略具有更好的稳定性。仿真实验表明,该利益分配方法提高了电子市场结盟的有效性。
- 韩伟陈优广
- 关键词：多智能体系统电子商务
- 顶点链编码图像的填充算法被引量：1
- 2008年
- 填充是计算机图形处理领域的基本算法。该文提出一种填充算法,解决了顶点链编码表示区域的填充问题。该算法只需2种辅助标记颜色,处理灰度图像时无需附加内存,空间复杂度低。其运算效率接近最低时间复杂度,即填充区域面积加周长。处理表格图像所需时间仅为Ren算法的1/3。
- 于游洋陈优广顾国庆
- 关键词：顶点链编码
- 基于价值评估的不围棋递归算法被引量：1
- 2019年
- 介绍了不围棋及其规则,并且给出了当前不围棋人工智能的方法及其不足之处.通过分析不围棋博弈的特点,提出了价值评估模型函数;基于此,构造出了递归算法,实现了不围棋人工智能,解决了当前已有算法时间和空间复杂度过高的问题;给出了实现此算法的程序与著名开源软件OASE-NoGo的对弈结果:达到了90%以上的胜率.同时,通过一个常见局面展示了本文算法较传统算法在程序计算上的优势,证明了本文算法的可行性和高效性.
- 郭倩宇陈优广
- 关键词：人工智能机器博弈价值评估递归
- 一种基于缝隙码的区域填充算法被引量：10
- 2007年
- 提出了一种基于缝隙码的区域填充算法。给出了单条缝隙码的填充算法,及多连通区域或整幅图像的快速填充算法,能填充任意复杂图像区域,对多连通区域或整幅图像填充时,算法只对图像区域填充,不用对区域外或区域内部的孔洞进行填充,对非二值图像,该算法不需要辅助内存空间。实验结果表明,对比现有的算法,本文算法具有速度快、效率高等优点。
- 陈优广顾国庆王玲
- 基于噪声自检测的分段非线性组合Adaboost改进算法被引量：3
- 2017年
- 针对传统Adaboost算法对有噪声样本敏感的问题以及线性相加基分类器的不合理性,提出一种噪声自检测的分段非线性组合Adaboost算法(NDK Adaboost)。NDK Adaboost利用传统Adaboost算法的训练误差率随迭代次数呈指数下降的特点直接构造检测噪声模型来识别噪声,并且在预测阶段将预测样本映射到训练样本的相对位置,根据其邻近的样本分布决定基分类器的权重,从而使算法在不同的样本分布中具有较高的分类准确率。实验结果表明,与传统Adaboost算法以及Adaboost相关的改进算法相比,该算法具有较高的分类准确率。
- 张才陈优广
- 关键词：噪声检测
