面向小目标图像的快速核密度估计图像阈值分割算法

针对当前小目标图像阈值分割研究工作面临的难题,提出了快速核密度估计图像阈值分割新方法.首先给出了基于加权核密度估计器的概率计算模型,通过引入二阶Renyi熵作为阈值选取准则,提出了基于核密度估计的图像阈值分割算法(Kernel density estimator based image thresholding algorithm,KDET),然后通过引入快速压缩集密度估计(Fastreduced set density estimator,FRSDE)技术,得到核密度估计的稀疏权系数表示形式,提出快速核密度估计图像阈值分割算法fastKDET,并从理论上对相关性质进行了深入探讨.实验表明,本文算法对小目标图像阈值分割问题具有更广泛的适应性,并且对参数变化不敏感.

基于稀疏表示的快速图像超分辨率算法

针对传统基于超完备字典的图像超分辨率重建算法训练样本庞大、训练时间长、稀疏度固定,且迭代时间长的问题,提出一种快速的图像超分辨率重建算法。该算法在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计,得到数量合理的训练样本,在稀疏表示阶段使用改进的广义正交匹配追踪算法,克服稀疏表示算法中固定稀疏度的缺陷。实验结果表明,相比传统字典训练算法,该算法能提高超分辨率重构的精度,且平均迭代时间较少。

快速核密度估计算法研究进展

作为当前最先进有效的密度估计算法,核密度估计(KDE)得到了广泛的研究。但是其二次的计算复杂度严重阻碍了KDE在具有海量高维数据的实际问题中的应用。为了排除算法计算性能上的障碍,研究者从不同角度提出了多种解决方案。在简要介绍KDE基本算法的基础上,简要分析了近年来提出的一些KDE的快速计算和逼近算法,以便为进一步的研究提供一定的支持与帮助。

应用快速高斯变换估计图像互信息

针对基于核密度估计的图像互信息估计法运算量很大的问题,提出了一种快速互信息估计算法。该算法选用高斯函数作为核密度估计法的核函数,然后用快速高斯变换加快运算速度,并用k中心聚类算法改进了原快速高斯变换中数据分类方法。新算法能在线性时间复杂度内估计出图像互信息,采用医学图像的实验证实了算法的性能。

基于快速高斯变换的辅助边缘粒子滤波算法

针对辅助粒子滤波算法计算量大,滤波效率较低的问题,提出了一种基于快速高斯变换(Fast Gaussian transform,FGT)的辅助边缘粒子滤波算法。该算法假设状态噪声是加性的,并且是高斯的,这样非线性滤波的Chapman-Kolmogorov方程的求解近似于执行了核密度估计(Kerner density estimation,KDE),从而可将KDE中的快速算法FGT引入,以提高算法的计算效率和实时性。仿真结果表明,该算法利用少数粒子就可以获得与常规粒子滤波相似的误差,大大提高了计算效率。

基于改进核密度估计的电动出租车快速充电行为研究

电动汽车充电行为研究是充电负荷时空分布预测、充电基础设施规划和有序充电管理的基础。本文基于上海市电动出租车的实测数据,划分充电片段并提取快速充电行为特征变量,开展相关性分析以揭示变量之间的内在相关性,从工作日和休息日两个时间维度揭示快速充电行为规律,提出一种基于扩散方程的自适应扩散核密度估计模型应用于快速充电行为特征变量的概率建模并使用拟合优度检验指标验证该模型的有效性。研究结果表明:电动出租车的快速充电行为在工作日和休息日具有明显的差异性,自适应扩散核密度估计模型可使电动汽车充电行为特征变量的概率建模更加准确,且具有更高的拟合精度。

图像配准中图像互信息的快速估计算法

快速、精确地估计图像互信息是图像配准中一个非常重要的课题,它涉及到两幅图像的联合概率密度和边缘概率密度的估计。针对核密度估计法运算量大而导致互信息估计速度慢的问题,提出了一种快速核密度估计法,并用它估计图像互信息。快速算法利用了单位冲激函数性质和基于快速傅立叶变换的快速卷积算法,能在线性时间复杂度内估计互信息。采用临床MRI图像的实验证实了快速算法的性能。

基于快速高斯变换的不确定数据聚类算法

数据中不确定性的存在使对其聚类分析时要充分考虑不确定性的影响。针对现有不确定数据聚类算法中构建不确定数据模型以及距离度量时存在的影响结果准确性与聚类性能等问题,提出一种基于快速高斯变换的不确定数据聚类算法。首先在不假设数据分布的前提下,构建符合不确定性分布特征的数据模型;然后结合不确定对象的2个重要特征:属性特征与表示不确定数据分布特征的概率密度函数,度量不确定数据对象间的相似性;并以此为基础提出不确定数据聚类算法;最后在UCI以及真实数据集上的实验结果表明,所提算法在运行效率和聚类准确性方面均能取得较好效果。

面向Android系统安全分析的在线学习算法研究

针对当前移动终端使用中存在的安全隐患,研究了一种新的面向Android移动终端的入侵检测算法。首先是在Android平台上收集移动终端内核信息并进行预处理,通过引入快速核密度估计(fast kernel density estimation,Fast KDE)算法对收集到的大规模样本进行压缩,得到数量合理的训练样本,然后结合在线增量学习算法,利用支持向量机(SVM)算法对处理后的数据进行判别以识别出入侵。实验结果表明,该方法极大缩短了训练时间,检测性能逐步达到最佳,具有较好的可扩展性和自提升能力。