基于隐马尔可夫模型的人脸特征标注和识别

传统的基于隐马尔可夫模型的人脸识别方法需要对原始人脸图像进行光照补偿、人脸旋转等预处理,而且模型对人脸姿势、表情、局部特征变化等非常敏感.为解决此问题,提出一种基于高斯隐马尔可夫模型的人脸特征标注方法,该方法假定人脸图像中人脸和人脸特征两个区域的灰度值服从两个不同的高斯分布,并将这两个分布作为隐马尔可夫模型的状态集合.同时,将灰度人脸图像转换为一维的灰度值序列作为观测序列,通过模型预测状态序列以实现人脸特征的标注和定位,并基于该模型建立人脸数据库,对未知人脸进行识别.在ORL人脸库和自建人脸库的测试中,均取得较高的标注准确率和识别准确率.

基于VAR模型的CPI与PPI因果关系检验

选取国家统计局1996年10月—2019年2月公布的CPI和PPI月度同比数据,通过构建向量自回归(VAR)模型,运用格兰杰因果关系检验、脉冲响应函数以及方差分解法,研究CPI与PPI之间的动态关系.研究结果表明:在选用的滞后期为2的VAR模型中,CPI与PPI互为因果关系,它们之间保持着相互影响的正向时滞关系;CPI与PPI受到自身的冲击影响较大,而且二者对自身有正向的影响;CPI的变动90%由自身引起,10%由PPI引起,PPI的变动80%由自身引起,20%由CPI引起.因此,在研究CPI与PPI的变动问题时,应重点关注自身变动,同时注意相互影响.