基于边缘分布及特征聚类的车道标记线检测

提出一种基于边缘分布和特征聚类的车道标记线检测方法。首先采用可变窗口计算车道标记线局部灰度阈值,结合图像梯度提取出有效边缘。然后按照不同工况下车道标记线的边缘分布特性,提取特征点。最后对特征点进行聚类处理,将离散的特征点归类为不同的直线段。测试结果表明,该方法可取得较高的车道线识别率,有效排除误识别,准确表示车道线方向信息。

一种基于边缘分布估计的多目标优化算法

该文提出了一种基于边缘分布估计的多目标优化算法,通过在每一进化代中估计较优个体的边缘概率分布来引导算法对Pareto最优解的搜索。通过与基于拥挤机制的多样性保持技术、基于非支配排序的联赛选择、精英保留等技术的有机结合,使得算法在具有良好收敛性能的同时,具有很好的维持群体多样性的能力。通过一组典型测试函数实验对该算法的性能进行了分析,并与NSGA-II、SPEA、PAES等知名多目标优化算法进行了比较,结果表明该文算法收敛速度较快,且得到的非支配解集分布均匀,适合于复杂多目标优化问题的求解。

基于颜色与边缘分布的足球视频镜头分类方法

针对足球视频镜头的特点,提出了一种基于颜色与边缘分布的视频镜头分类方法.首先利用高斯混合模型(GMM)对草地颜色建模,然后利用已建立的GMM计算出每个镜头的草地颜色分布特征.针对颜色特征对光照的敏感性,提出利用边缘分布作为颜色特征的补充,二者的结合突出了不同镜头的特点.利用所提出的特征,采用适合小样本分类问题的支持向量机(SVM)对足球视频镜头分类.实验表明,新方法的平均分类准确率可达92%以上.

克隆选择单变量边缘分布算法

针对单变量边缘分布算法(UMDA)求解复杂优化问题的局限性,将人工免疫系统引入分布估计算法(EDAs)领域,提出了一种基于克隆选择原理的单变量边缘分布算法.该算法在进化过程中的每一代执行若干次克隆选择算法(CLONALG),利用克隆选择过程中的高频变异操作提高混合算法的局部搜索能力.通过对2种不同旅行商问题(TSP)的仿真实验表明,与UMDA、CLONALG以及UMDA和2-opt局部搜索算法的混合算法(UM-DA2-opt)相比,克隆选择单变量边缘分布算法具有更高的优化性能.

基于边缘分布函数的车道标识线识别方法

为了得到较理想的车道标识线的边缘,考虑车道标识线的方向特性,提出一种基于边缘分布函数(EDF)的图像预处理方法。将图像分区处理,在对图像中的噪声特性进行EDF分析的基础上,对处理区域作如下处理:首先将梯度角量化为4-方向,去除与车道标识线方向不一致的噪声,得到边缘图像;然后利用EDF对边缘图像滤波,确定车道标识线角度初值;最后应用Hough变换定位出车道标识线。实验结果表明,该方法能够更加有效地强化车道标识线信息,去除噪声,具有较好的鲁棒性和实时性。

无线传感网络中的节点边缘分布方法

针对基站仅能部署在监控区域边缘这个新问题,形式化定义了节点边缘分布问题。为用最少的基站尽可能多地覆盖监控区域,提出了一个有多项式时间复杂性的部署算法。算法分为两个阶段,首先分析了初始部署的覆盖率,当初始覆盖率大于保证覆盖率时,减少初始部署集的大小是可能的;然后,改进算法以递增的方式来改进初始部署集,以实现在满足最大覆盖率的前提下最小化最终部署集。实验结果显示了在3种不同的测试环境下,算法的覆盖率和部署集均优于随机部署算法,是部署无线传感节点的有效方法。

小波边缘分布及边缘融和算法研究

小波变换是图像边缘检测的重要算法之一,为了综合大尺度下边缘抗受噪声强和小尺度下边缘定位准确的优点,提出一种基于多尺度小波边缘分布的边缘检测算法.研究小波边缘检测中的边缘分布,提出有效边缘包络带,讨论了不同类型边缘包络带的有效范围;在有效边缘包络带内采用融和算法进行边缘检测.对合成和自然图像的试验表明算法的有效性.

非线性高斯系统边缘分布多目标贝叶斯滤波器

为解决存在数据关联不确定、检测不确定和杂波情况下的多目标跟踪问题,提出了一种新的多目标贝叶斯滤波器.代替维持多目标状态的联合后验密度,所提出的贝叶斯滤波器联合传递各个目标状态的边缘分布和它们的存在概率.为了处理目标运动和传感器测量模型中的非线性,利用无迹变换技术提出了一种非线性高斯条件下边缘分布贝叶斯滤波器的近似实现算法.仿真实验结果表明,与PHD(Probability Hypothesis Density)滤波器相比,所提出的滤波器具有更好的多目标跟踪能力.

边缘分布条件分布的几何意义及推广

从几何的角度,揭示边缘分布条件分布的几何意义,浅显易懂,帮助学生深入正确理解定义所隐含的内容,同时,进一步推广了边缘分布和条件分布.

快速二变量边缘分布算法及其应用研究

1.引言 近年来,一些研究者从统计学的观点出发,将构造性模型引入进化算法的研究,形成一类基于概率分布的进化算法[1～3],文献中也称这类算法为分布评价算法(EDA),概率分析构造遗传算法(PMBGA)等名称,本文统一称之为概率分析进化算法,简称为PMEA(Evolutionary Algorithm basedon Probability Modeling).和传统的进化算法不同,PMEA的基本思想是通过从当前优选的解集合中提取信息,然后依据这些信息建立概率分布模型,再利用这种分布产生新的解,如此重复,直到满足算法的终止条件.

具有平稳增量的自相似过程的边缘分布

设 X=( Xt) t≥ 0 是指数 H( >0 )型的具有平稳增量的自相似过程 ,该文给出了 X1的边缘分布的一些结果。对于 H≠ 1 ,log+X1的压缩函数有一个只依赖于 H的界 ;对于 H>0 ,X1除了一些平凡的情形外是非原子的 ;而对于 H>1 ,X1的尾分布的下界也给出了 ;文章的最后对

基于边缘分布模型的基因选择方法

一个微阵列数据集包含了成千上万的基因、相对少量的样本,而在这成千上万的基因中,只有一少部分基因对肿瘤分类是有贡献的,因此,对于肿瘤分类来说,最重要的一个问题就是识别选择出对肿瘤分类最有贡献的基因。为了能有效地进行微阵列基因选择,提出用一个边缘分布模型(marginal distribution model,MDM)来描述微阵列数据。该模型不仅能区分基因是否在两样本中差异表达,而且能区分出基因在哪一类样本中表达,从而选择出的基因更具有生物学意义。模拟数据及真实微阵列数据集上的实验结果表明,该方法能有效地进行微阵列基因选择。

结合启发式算子的单变量边缘分布算法求解SAT问题

单变量边缘分布算法(UMDA)是一种新的进化算法,是求解复杂问题的一种有效算法。根据SAT问题的特点,本文提出了一种求解SAT问题的改进单变量边缘分布算法(HeUMDASAT),该算法结合SAT问题本身固有的结构信息与当前群体的优秀解所提供的全局信息,构造了一个新的启发算子,并将此算子结合到单变量边缘分布算法中。此算子不同于随机搜索算子,由其产生的个体可以使得算法跳出局部最优并探索新的潜在区域,并且加快算法的收敛速度。用SATLIB库中的标准SAT问题对HeUMDASAT算法进行测试,实验结果表明该算法在求解速度和成功率方面都有明显的改善。

基于结构与边缘分布范围双约束的虹膜定位

为了提高现有虹膜定位算法速度和精度,必须充分利用人眼虹膜图象固有的结构性特征,提出了基于虹膜结构与边缘分布范围双约束的虹膜定位算法。在内边界定位时,根据二值化、形态学处理后图像的灰度信息确定瞳孔区域,然后采用最小二乘法圆拟合内边界。在对外边界定位时,由已知瞳孔位置参数以及虹膜结构特性构造一个虹膜外边缘自适应模板确定外边缘有效区域,然后利用虹膜外边缘梯度强度及方向分布范围的约束条件,进一步消除干扰得到比较稳定的虹膜外边缘轮廓,进而采用边缘拟合确定虹膜外边缘形状粗参数,最后采用小范围Hough变换精确定位外边界。实验结果表明,该算法能显著提高虹膜定位的速度和精度,避免了传统Hough算法搜索的盲目性。

边缘分布确定的多元Copula函数构建

从二维随机变量(TRV)的边缘分布函数(MDF)与其联合分布函数(JDF)的关系出发,研究如何构建多维随机变量(MRV)的联合分布Copula函数,并对构建的函数进行拟合与检验。首先,简单介绍Copula函数的定义、SKlar定理和常用的函数类型;然后将TRV变量的MDF函数与其JDF函数的关系扩展到MRV变量;最后研究了TRV变量的MDF函数已知时,构建其JDF函数的方法,同时将其扩展到MRV变量,提出了新的构建MRV变量的JDF函数的方法,对构建的函数提出了相应的拟合方法和参数估计方法。

二变量边缘分布算法及其性能研究

该文研究二变量边缘分布算法,着重讨论了算法的快速实现问题。在此基础上,利用测试函数分析了算法求解问题的能力。实验结果表明,算法具有较好的性能。

Klauder-Perelomov相干态Wigner函数的边缘分布及Tomogram函数

利用相干态表象下的Wigner算符及有序算符内的积分技术,计算了非简谐振子Klauder-Perelomov相干态Wigner函数的边缘分布及Tomogram函数.借助于数值计算,讨论了此量子态所具有的量子特性和Wigner函数边缘分布的物理意义.

具有平稳增量的自相似过程的边缘分布

设{}0),(=tXXt是指数)0(>H型的具有平稳增量的自相似过程,论文给出了1X的边缘分布的一些结果. 对于1H,1logX+的压缩函数有一个只依赖于H的界;对0>H,1X除了一些平凡的情形外是非原子的;而对1>H,1X的尾分布的下界也给出了;文章的最后对1X的支撑的连通性给予了讨论,并给出了一些结果.

叠加相干态的Wigner函数及其边缘分布

构造了叠加相干态|αθ〉=C(|α〉+eiθ|-α〉),研究了θ和α对该量子态Wigner函数及其边缘分布的影响.结果表明:Wigner函数及其边缘分布明显受到θ和α的调节.

单变量边缘分布算法与蚁群算法的混合算法收敛性分析

智能混杂算法是当前智能优化算法的研究热点,可以融合多种优化算法的优势,提高算法的性能。单变量边缘分布算法具有大范围快速全局搜索能力,但不能很好地利用系统中的反馈信息;蚁群算法是一种并行的分布式正反馈系统算法,但其初期信息素匮乏,求解速度慢。将单变量边缘分布算法与蚁群算法相结合,可以优势互补。基于上述思想,提出一种基于单变量边缘分布算法与蚁群算法混合的算法,并运用马尔科夫随机过程理论对该算法的收敛性进行了分析,结果表明了该算法的优化解满意值序列是单调不增的和收敛的。