利用无人机影像和广义迭代重加权最小二乘法的三维重建

为了提高基于无人机影像重建三维场景的效率,提出了应用广义迭代重加权最小二乘法的全局式三维重建方法。首先,介绍了广义迭代重加权最小二乘法的基本思想和具体步骤;接着,将全局旋转矩阵的求解转化为李代数中旋转向量的求解问题,利用结合范数优化和迭代重加权最小二乘的方法求出全局旋转最优解;然后,根据极线几何约束条件,解算相机在全局坐标系下的相对平移方向向量,在广义迭代重加权最小二乘架构下,利用二次规划法求出相机全局位置最优解;最后,对影像位姿参数和重构三维点进行光束法平差优化。实验结果表明该方法在提高重建效率的同时,能够更真实地恢复场景的几何形态。

基于迭代重加权最小二乘法的雨滴谱函数拟合研究

传统的雨滴谱函数的拟合方法在不同的降水类型和不同分布函数下,可能存在拟合出来的雨滴谱函数与实际数据差异过大的情况,基于此问题,本文提出一种基于迭代重加权最小二乘法(Iterative Reweighed Least Square,IRLS)的雨滴谱函数拟合方法。利用Parsivel激光雨滴谱仪2019年7—10月在海南安定获得的225组层状云降水样本和110组对流云降水样本数据进行实验,通过不断更新权值,迭代计算,从而求出待估计参数。模拟结果表明了该方法应用在不同降水类型和不同分布函数下,对比阶矩法和最小二乘法得到的拟合优度都是最接近1的。

使用迭代重加权最小二乘法求解平面度误差

提出了几何误差评定的迭代重加权最小二乘(IRLS—It鄄erativeReweightedLeastSquares)算法。该算法采用一个迭代过程求解一系列加权最小二乘问题,并在每一步迭代中按照一定的规则对权系数进行调整,使其逐步逼近最优拉格朗日乘子。对于用CMM(坐标测量机)和其他设备得到的数据,可得到平面度误差的精确值。

改进的迭代重加权最小二乘非凸压缩感知算法

非线性重构算法是压缩感知的三个主要研究内容之一。在详细分析了现有的迭代重加权最小二乘?_p优化方法的基础上,提出改进的迭代重加权最小二乘?_p范数最小化非凸压缩感知优化算法。实验结果表明,改进的算法拥有更高的成功重建百分比和重建速度,在同样稀疏度的情况下可以大大减少所需的测量次数,对于压缩感知的重建算法研究以及实际应用都具有重要的意义。

基于迭代重加权最小二乘宽度学习系统的微波天线谐振频率建模

为了克服深度学习训练过度耗时的弊端,提出宽度学习系统(BLS),使用岭回归算法求解输出权重,极大地方便了训练过程,对于大样本而言,此做法高效且快速.然而,在处理微波器件这类小样本电磁问题上,则大大限制了模型的拟合能力.为了进一步提升模型的性能,针对小样本的回归问题,将迭代重加权最小二乘算法(IRLS)与宽度学习算法相结合,配合网格搜索法以确定模型的最佳结构.通过对矩形和圆形两种微带天线谐振频率的预测,并与一些主流的算法对比,证实了迭代重加权最小二乘宽度学习系统(IRLS-BLS)的有效性.

基于迭代重加权的子阵级MIMO雷达角度超分辨算法

针对子阵级多输入多输出(MIMO)雷达阵列孔径数量有限带来的高方向图旁瓣问题,构建了子阵级MIMO雷达收发信号和多子阵角度测量模型,提出了基于自适应迭代重加权(AIR)和p-范数约束下迭代重加权最小二乘(p-IRLS)的角度超分辨算法,分析了两种算法的计算复杂度。在仿真实验中验证了两种算法的性能,并对其在单目标和双目标、以及干扰环境检测中的效果进行了比较分析。仿真结果表明,AIR和p-IRLS算法能够有效降低子阵级MIMO雷达的方向图旁瓣电平,同时实现对目标的角度超分辨。和AIR算法相比,p-IRLS算法在低信噪比和邻近目标分辨性能更突出。

基于变量分离和加权最小二乘法的图像复原

为提高图像复原的质量和速度,提出一种新的图像复原算法。首先基于变量分离技术,加入新的约束条件,建立解决图像复原问题的目标函数;然后利用交替最小化方法,将目标函数的优化分解为两个交替迭代的过程,以获得图像复原问题的全局最优解。在求解分离得到的新变量的过程中,引入迭代重加权最小二乘法(IRLS)处理L1范式的不可微分问题。实验结果表明,提出的算法有效地解决了图像复原问题;与同类的一些算法相比,该算法在复原速度和复原效果方面均具有优势。

多尺度分割先验迭代重加权低秩恢复显著性检测

目的现有显著性检测方法大多只关注显著目标的中心信息,使得算法只能得到中心清晰、边缘模糊的显著目标,丢失了一些重要的边界信息,而使用核范数约束进行低秩矩阵恢复,运算过程冗余。为解决以上问题,本文提出一种无监督迭代重加权最小二乘低秩恢复算法,用于图像视觉显著性检测。方法将图像分为细中粗3种尺度的分割,从细粒度和粗粒度先验的融合中得到分割先验信息;将融合后的分割先验信息通过迭代重加权最小二乘法求解平滑低秩矩阵恢复,生成粗略显著图;使用中粒度分割先验对粗略显著图进行平滑,生成最终的视觉显著图。结果实验在MSRA10K(Microsoft Research Asia 10K)、SOD(salient object detection dataset)和ECSSD(extended complex scene saliency dataset)数据集上进行测试,并与现有的11种算法进行对比。结果表明,本文算法可生成边界清晰的显著图。在MSRA10K数据集上,本文算法实现了最高的AUC(area under ROC(receiver operating characteristic)curve)和F-measure值,MAE(mean absolute error)值仅次于SMD(structured matrix decomposition)算法和RBD(robust back ground detection)算法,AUC和F-measure值比次优算法RPCA(robust principal component analysis)分别提高了3.9%和12.3%;在SOD数据集上,综合AUC、F-measure和MAE值来看,本文算法优于除SMD算法以外的其他算法,AUC值仅次于SMD算法、SC(smoothness constraint)算法和GBVS(graph-based visual salieney)算法,F-measure值低于最优算法SMD 2.6%;在ECSSD数据集上,本文算法实现了最高的F-measure值75.5%,AUC值略低于最优算法SC 1%,MAE值略低于最优算法HCNs(hierarchical co-salient object detection via color names)2%。结论实验结果表明,本文算法能从前景复杂或背景复杂的显著图像中更准确地检测出边界清晰的显著目标。

重尾噪声环境下的扫描雷达稳健角超分辨方法

扫描雷达由于天线孔径受到平台尺寸限制,存在角分辨率低下的缺陷。角超分辨技术能够在不改变雷达硬件系统的前提下,通过信号处理方法,获得超越雷达实孔径波束宽度的角度分辨能力。近些年研究表明,基于最小绝对收缩和选择算子(LASSO)的稀疏角超分辨方法能够获得比传统方法更高的分辨能力。然而,该方法基于高斯白噪声假设,在残余项中主要基于l2范数进行约束。当回波数据中存在重尾分布的噪声时,该方法中的l2范数约束无法有效抑制重尾分布噪声,导致目标分辨能力下降,甚至产生虚假目标。针对该问题,本文提出一种扫描雷达抗重尾噪声角超分辨成像方法。首先,本文引入一种最小绝对偏差(LAD)-LASSO约束准则以抑制重尾分布噪声;更进一步的,针对模型中存在的正则化参数自适应选取难题,本文基于稀疏自相关迭代准则导出正则化参数的最优表达。最后,针对LAD-LASSO非平滑代价函数最优化求解难题,本文提出一种基于迭代重加权最小二乘(IRLS)算法的求解方法,通过将l1范数替换为重加权的l2范数,并在每次迭代中计算权值实现最优求解。仿真结果表明,相比传统稀疏角超分辨方法,本文提出的方法在不同信噪比下均能够有效抑制重尾分布噪声,并有效提升扫描雷达角分辨率。同时,本文采用岸基X波段雷达实测数据验证了本文提出方法的有效性。

一种基于Lp范数最小化问题的人脸识别算法

基于Lp范数最小化问题的稀疏编码是人脸识别、图像重建、压缩感知等领域中的重要方法。文章在迭代重加权最小二乘法的基础上进行改进,提出一种新的求解Lp范数最小化问题的算法。该方法能巧妙地避免除以零的问题,同时将解域拓展到力≥0的范围。最后通过人脸识别实验证明了该方法的有效性。

针对大噪声的三维SLAM位姿图鲁棒优化算法

位姿图优化(pose graph optimization,PGO)是同时定位与建图(simultaneous locali-zation and mapping,SLAM)中非常重要的非凸高维优化工具。运动位姿初始化是PGO过程中的关键步骤。针对目前的初始化算法无法为大噪声PGO数据集提供较好初始值的问题,首先提出一种新的鲁棒核函数,解决大噪声带来的估计值与观测值之间的大残差问题;然后,提出一种基于迭代重加权最小二乘的位姿图鲁棒优化算法。蒙特卡罗实验结果表明,所提算法在大噪声环境中具有较好的鲁棒性和精确性,所提鲁棒核函数与其他经典核函数相比更具适用性,能够加快算法收敛。

多先验信息约束的三维电阻率反演方法

先验约束信息可以有效提高直流电阻率三维反演精度,多数约束信息的施加是通过修改目标函数实现的,具有约束信息单一、施加约束信息繁琐的不足。为了改进上述问题,修改迭代重加权最小二乘法反演方程,将数据加权矩阵中的重加权函数修改为误差函数和互补误差函数的形式,增加结构度量、权重均值和标准偏差等参数,通过修改地下空间不同区域的重加权函数参数,达到施加不同先验约束信息目的;反演方程计算采用并行共轭梯度最小二乘法,以提高反演速度。在合成数据算例中,分别施加了平滑约束、块状约束和多信息混合约束,反演结果表明多信息约束的成像精度远大于单一信息约束。工程项目中可根据地质结构状况合理选择权函数参数,达到提高三维电阻率反演精度和计算速度的目的。

融合颜色不变量的彩色图像光流估计算法

为了克服彩色图像光流估计中的光照影响,提高光流估计的准确性,该文提出一种在颜色不变量空间求解光流,再与RGB空间光流进行融合的光流估计算法。首先提取视频序列中相邻两帧图像的颜色不变量边缘,再计算使用颜色不变量边缘构建的三通道彩色图像的光流,最后使用L$范数融合颜色不变量光流与RGB图像光流。文中还讨论了颜色不变量边缘的选取和组合对融合光流结果的影响。实验结果表明,提出的方法能够获取更加准确的目标区域,对阴影和光照变化更加鲁棒,与经典算法相比具有更好的性能。

基于稀疏脉冲反演的墙体参数研究

稀疏脉冲反演实际上是从含有噪声的雷达数据单道中计算出具有稀疏分布特性的反射系数。文中以范数约束为基础,提出L1范数约束求解的方法,并且采用迭代重加权最小二乘法(IRLS)的优化算法,该算法具有精度高、速度快的优点,对穿墙侦查雷达数据处理后可以有效提高分辨率,获得反射系数,有助于进一步求得墙体的厚度和介电常数。最后针对不同数据的实验结果验证了算法的有效性。

基于IRLS的圆度误差最优化评定

提出了圆度误差评定的迭代重加权最小二乘算法(IRLS)。该算法采用一个迭代过程求解一系列加权最小二乘问题,并在每一步迭代中按照一定的规则对权系数进行调整,使其逐步逼近最优拉格朗日乘子,使最小二乘解逐渐逼近最小区域解。该算法保留了最小二乘法快速、惟一的优点,改正了其误差偏大的缺陷,采用Matlab语言编程,算法计算简单且易于实现,有较高的实用价值。

圆柱度误差快速最优化评定方法

使用迭代重加权最小二乘算法(IRLS)进行圆柱度误差评定。经过实际计算将所得到的误差评定值与其他方法相比较,在测量数据点集满足"小误差、小偏差"两点假设的条件下,迭代重加权最小二乘法可以得到精确的最小区域解,但是在运算时间上由于受迭代次数的影响,对不同的误差限运算时间会相差很大。总体来说,迭代重加权最小二乘法实现简便,有较高的使用价值。

贝叶斯框架下的总变分图像去噪算法

针对经典去噪模型易造成图像细节丢失以及确定性算法无法自动估计去噪过程中的未知参数等问题,提出一种新的图像去噪算法.该算法在贝叶斯框架下,用总变分模型(TV)和伽马分布分别刻画原始图像及未知参数的统计特征,并基于最大联合分布的推导,估计最优原始图像.总变分模型使最终的能量泛函非线性且不可微分,因此,引入迭代重加权最小二乘法(IRLS),通过迭代的方式用加权的L2范数逼近L1范数来表示图像的统计模型.实验结果表明,该算法可有效去除图像的噪声,提升去噪速度,使所恢复的图像在实际视觉效果和信噪比等方面均优于其他同类算法.

M估计法在大坝安全监测中的应用

针对传统统计模型无法抵御异常值影响、鲁棒性较差的问题,引入稳健回归中经典的M估计法,基于李家峡水电站监测资料建立了大坝径向位移M估计模型,对监测数据进行拟合及预报,并与传统回归统计模型做了比较。结果表明,该方法有效降低异常值影响、稳健性较好。

增量式0阶TSK模糊分类器及鲁棒改进

为了克服传统的分类器难以在具有令人满意的分类性能、快速的学习效率的同时兼顾高可解释性之不足,提出增量式0阶模糊分类器TSK-IFC0IRLS.该分类器通过使用增量式模糊聚类算法IFCM(c+p)对训练样本进行聚类,使用高斯隶属度函数将聚类结果映射到模糊子空间,使用迭代重加权最小二乘优化算法IRLS对模糊规则的后件参数进行学习.通过提出基于伪Huber函数的代价函数,它的鲁棒性改进版本TSK-IFC0PHub被提出来以提高分类器的抗噪能力.仿真实验表明,与FCPM-IRLS、RBF、ANFIS分类器相比,提出的2种模糊分类器均具有良好的分类性能及数据规模的可扩展性,TSK-IFC0PHub具有良好的鲁棒性.

一种基于视频运动分析的智能码流方法

采用迭代重加权最小二乘(IRLS)方法计算连续两帧图像的光流。根据光流计算的结果估计视频监控场景的运动状态。将场景分为静止、一般运动、剧烈运动,并分别制定不同的码流存储策略。实验表明,该方法能对监控场景的常见运动行为识别并分类,具有一定的鲁棒性。应用该方法可以减少冗余视频帧对存储资源的占用,扩充敏感监控数据的存储能力。