频繁模式挖掘的模式数量通常过于巨大，在实际应用中只有少量的频繁模式被使用。Top-k频繁模式挖掘通过排列模式频数限制频繁模式的数量，有效提高了算法效率。提出了TPN（Top-k-Patterns based on Nodesets）算法，该算法使用了节点集的概念，将数据压缩于Poc-tree，通过Top-k-rank表重新计算最小支持度限制生成候选模式的数量。实验通过与ATFP，Top-k-FP-growth算法比较，证明该算法有较好的效率。

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题，提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术，对种群当前最优位置进行局部搜索；采用佳点集构造对陷入早熟收敛的种群重新初始化；引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明，与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较，提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优，优化性能得到明显提高。

输入ecef坐标点集，转换成enu坐标和计算cep，matlab代码。

PointNet：针对3D分类和分割的点集深度学习 由斯坦福大学的 ，，， 。 介绍 这项工作基于我们的，该将在CVPR 2017中发表。我们为点云（作为无序点集）提出了一种新颖的深层网络架构。 您也可以查看我们的以获得更深入的介绍。 点云是几何数据结构的一种重要类型。 由于格式不规则，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。 但是，这使数据变得不必要地庞大并引起问题。 在本文中，我们设计了一种直接消耗点云的新型神经网络，该网络很好地考虑了输入中点的排列不变性。 我们的网络名为PointNet，为从对象分类，零件分割到场景语义解析的应用程序提供了统一的体系结构。 虽然很简

《点击拓扑讲义》课后习题答案，作者是：熊金成

可用于 进行 数学中 ‘点集拓扑’ 相关内容的自学工作 。

主管护师考试知识点集锦.docx

点集配准对于多台摄像机的校准，3D重建和识别等非常重要。迭代最近点（ICP）算法对于相同比例的点集配准来说是准确且快速的，但是不能处理不同比例的情况。 取而代之的是，本文介绍一种称为缩放迭代最近点（SICP）算法的新颖方法，该算法将带有边界的缩放矩阵集成到用于缩放配准的原始ICP算法中。 在此算法的每个迭代步骤中，我们都建立了两个mD点集之间的对应关系，然后使用简单快速的迭代算法以及奇异值分解（SVD）方法，并结合了抛物线的性质来计算比例，旋转和平移转换。 已经证明，SICP算法可以从任何给定参数单调收敛到局部最小值。 因此，要达到所需的全局最小值，就需要良好的初始参数，本文通过分析点集的协方差矩阵成功估算了这些参数。 SICP算法与形状表示和特征提取无关，因此通常用于缩放mD点集的配准。 实验结果表明，与标准ICP算法相比，该算法具有较高的效率和准确性。

《点集拓扑讲义》第三版习题答案，熊金城编著

作者: 杨鎏 出版社: 地质出版社 ISBN: 9787116102262 出版时间: 2017-03 版次: 1 装帧: 其他 开本: 16开 纸张: 胶版纸