基于ML和L2范数的视频目标跟踪算法

目标跟踪是计算机视觉领域的一个具有挑战性的问题,本文提出了一种基于ML(最大似然)估计和L2范数的视频目标跟踪算法.建立基于稀疏限制的ML模型,给样本中的异常像素分配较小的权值,减少异常像素对跟踪算法的影响.利用L2范数最小化进行稀疏编码求解.采用贝叶斯估计得出目标跟踪结果.与其他典型算法相比,本算法降低了计算的复杂度,对遮挡,旋转,尺度变化,光照变化等异常变化具有较强的鲁棒性.

0阶L2型TSK迁移学习模糊系统

针对传统模糊系统在面对源场景存在某种程度的信息缺失或所采集的信息有限导致受训所得系统泛化能力较差之挑战,探讨了具有迁移学习能力的模糊系统.该类模糊系统不仅能充分利用当前场景的数据信息,还可有效利用历史知识对当前源场景的建模过程进行辅助学习,以达到弥补信息缺失之目的.基于此思想以0阶L2型TSK模糊系统为研究对象构造了0阶L2型TSK迁移模糊系统(0-L2-TSK-TFS).在模拟数据集以及真实数据集上的实验研究亦验证了该迁移模糊系统在应对存在信息缺失的场景时,较之于传统模糊建模方法有着更好的适用性.

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.

L1+L2正则化逻辑斯蒂模型分类算法

提出一种L1+L2范数正则化逻辑斯蒂模型分类算法。该算法引入L2范数正则化,解决L1正则化逻辑斯蒂算法迭代过程奇异问题,通过引入样本向量的扩展和新的权值向量完成L1范数非平滑问题,最终使用共轭梯度方法求解经过转化的最优化问题。在各种实际数据集上的实验结果表明,该算法优于L2范数、L1范数和Lp范数正则化逻辑斯蒂模型,具有较好的特征选择和分类性能。

融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。

自适应加权混合L1/L2范数匹配相减多次波压制方法

基于波动方程的自由表面多次波和层间多次波压制时,自适应匹配相减方法的选取是关键的环节。L2范数自适应匹配相减方法适用于多次波强而有效波弱的情况,L1范数自适应匹配相减方法则适用于多次波弱而有效波强的情况,L2范数自适应匹配相减方法的运算速度明显较L1范数自适应匹配相减方法更快。自适应加权混合L1/L2范数匹配相减方法需要构建联合L1范数和L2范数的目标函数,再根据地震数据中有效波与多次波的能量比自适应地调整目标函数中L1范数和L2范数所占权值。该方法充分利用了L1范数和L2范数压制多次波时对地震数据不同的要求,既不需要L2范数自适应匹配相减方法的有效信号与噪声正交的假设,又克服了L1范数自适应匹配相减方法运算效率较低的缺点,在保证压制效果的同时提高了计算效率。多层水平层状模型及SEG/EAGE Pluto模型的测试结果表明,相较于常规方法,该方法明显提升了多次波的压制效果。

基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法

在贝叶斯框架下,基于增量正交投影非负矩阵分解目标跟踪算法能够适应各种复杂的场景,准确处理跟踪目标外观变化,取得了较好的跟踪效果,但是该算法计算量大,难以满足实时性要求。针对这一缺点,提出了一种基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法,建立基于L2范数最小化和增量正交投影非负矩阵分解的目标表示模型,在贝叶斯框架下得出跟踪结果。实验结果表明,新算法能够较好地处理视频场景中的光照变化、尺度变化、局部遮挡、角度变化等干扰,有较低的中心位置误差平均值和较高的重叠率平均值,平均处理视频达4.08帧·s-1,能够满足实时性的要求。

基于迭代加权L2/L1范数块稀疏信号重构的ISAR成像算法

为实现快速、高分辨率逆合成孔径雷达(ISAR)成像,利用目标的内在块稀疏结构信息,提出一种迭代加权L2/L1范数块稀疏重构ISAR成像算法。构建ISAR稀疏成像模型,将ISAR成像问题转化为稀疏信号重构问题后,在每次迭代中求解用于下次迭代的权值向量解,从而实现高分辨率ISAR成像。实验结果表明,相比BP、OMP、SBL算法,该算法可以改善成像质量,提高重构效率。

基于L2范数的高斯混合模型空域去噪方法

针对图像像素间相似性衡量不准确而导致去噪性能下降的问题,提出了基于L2范数的高斯混合模型空域去噪方法。该方法将像素点周围像素的局部灰度信息的统计特性建模为高斯混合模型,结合高斯混合模型间的L2范数和像素位置的空间距离来定义像素点之间的相似性权值,以提高像素间相似性的度量的精确度。实验结果表明,利用高斯混合模型可更加准确地衡量像素间的相似性,同时,该去噪方法可提高图像的去噪效果,并能较好地保留图像的细节信息。

基于混合L1/L2范数的多次波自适应减方法

基于自由表面相关多次波压制(SRME)方法的重要步骤之一是将匹配后的多次波从原始数据中减去。L2范数多次波自适应减方法适用于有效波能量较小的情况,而L1范数多次波自适应减方法可适应有效波能量较强的情况。为获取更理想的自适应减方法,通过加权组合的方式建立使L2范数和L1范数多次波自适应减方法相结合的数学模型,并提出权系数的确定方法,然后结合模型数据和实际数据进行单道多次波压制处理,将处理结果与单独使用L2范数和L1范数自适应减方法所得结果进行对比,结果显示使两种范数加权组合的方法不仅能相对更好地压制多次波的能量,有效波的能量也保持较好。

一种L2软间隔支持向量机的Matlab实现

通过将v-支持向量机的目标函数的L1正则化项变为L2正则化项,构造了一种L2软间隔支持向量机。通过引入拉格朗日乘数,构造拉格朗日函数,导出了L2软间隔支持向量机的对偶二次规划(Quadratic Programming,QP)形式。使用KKT(Karush-Kuhn-Tucker)条件,导出了L2软间隔支持向量机的软间隔ρ及偏置项b的表达式,并通过Matlab数学软件进行编程实现L2软间隔支持向量机的求解。

基于l1-l2范数极小化的稀疏信号重建条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可以从小规模的线性、非自适应的测量中通过求解非线性优化问题重构原信号。文章建立了基于极小化l1-l2范数的稀疏信号精确重构的充分条件,并给出了有噪声情形下的误差分析结果。

基于奇异值分解和最小L2范数解的动态脑磁源重建

脑内神经信号的动态传递过程在临床脑疾病诊断和认知科学中得到了越来越多的重视和研究。为求解动态脑磁逆问题,本文提出通过时域子空间求解动态脑磁L2范数解的方法并验证其可行性。具体地,对脑磁测量信号进行奇异值分解,通过右奇异向量矩阵构造源信号的时域子空间,将测量信号和待求源信号投影到时域空间进行求逆,然后将解反投影到解空间重建出动态脑磁源信号。与施加时域约束的双正则化方法相比,本文方法计算量大大降低,不同噪声水平下本文方法的均方误差都小于双正则化方法,而且重建出的源信号与仿真信号吻合更佳,信噪比更高。

S函数变步长LMS算法的一种L2范数修正

为了提高S函数变步长LMS算法的综合性能和抗干扰能力,引入L2范数控制步长更新.在L2范数中引入输入信号,对输入信号实施动态地跟踪,以提高算法的抗干扰能力;利用归一化输入信号代替原始信号,便于处理信号且可以降低输入信号动态范围对算法的影响.在高和低信噪比条件下的仿真结果表明:相较于其他的变步长LMS算法,所提出算法收敛速度更快和稳态误差更小.

基于快速协同表示分类和组内预测重构系数向量l2范数的人脸识别算法

针对协同表示分类和规则化最小二乘算法(CRCRLS)在人脸识别应用中识别速率缓慢的问题,通过研究预测重构系数与人脸图片分类的关系,提出一种基于快速协同表示分类和组内预测重构系数向量l2范数算法(FCRCL2N)。与其他协同表示算法的不同之处在于,改进的FCRCL2N算法没有计算残差的过程,通过引入组内预测重构系数向量的l2范数直接对图片进行分类。标准数据集上的实验结果显示了该算法的高效性。

基于L2范数的电力系统运行安全态势三维可视化评估

如何利用各种指标准确地对电力系统的运行状态进行评估是调度运行部门所关注的一个重要问题。综合幂律分布、电压裕度、潮流冲击熵、网络结构熵和损失负荷相对值五种评估指标,考虑电网结构变化、新能源注入、线路老化、系统内部运行状况、天气等不确定性因素,利用L2范数,建立了电力系统运行安全态势的评估函数。通过MATLAB工具箱中的Lowess函数对三维空间坐标系中数据拟合,实现了电力系统运行安全态势的三维可视化。对IEEE39节点系统的仿真,验证了所提方法的有效性,为电力系统运行安全态势评估提供了一种新思路。

加权l2范数实现双基地MIMO雷达稀疏目标定位

由于有限的目标个数相对雷达的二维扫描空间高度稀疏,基于压缩感知理论,从稀疏信号重构角度对双基地MIMO雷达目标进行定位。首先,用收发阵列扫描的二维空间构建完备字典,多个目标在完备字典上的投影构成稀疏矩阵。其次,推导了双基地MIMO雷达的稀疏接收信号模型,并将接收信号模型矢量化。然后,建立加权l2范数最小化约束模型,并将约束模型转变为非约束模型,递归求解隐函数形式下双基地MIMO雷达目标参数的全局最优解。仿真结果表明,递归加权l2范数算法在90×90的密集网格和低信噪比环境下,可以实现双基地MIMO雷达多个稀疏目标的波达方向、波离方向和反射系数的联合估计,实现稀疏目标定位,而且目标各参数自动匹配。仿真结果验证了算法的有效性。

自适应的L1-L2范数正则化图像去噪方法

提出了一种自适应的L1-L2范数正则化图像去噪方法。相比传统的L1范数正则化与L2范数正则化,新方法有效消除了阶梯效应,同时较好的保持了图像边缘信息。为了提高计算效率,将Split Bregman算法框架应用到提出的模型中,有效的提升了收敛速率并减少了计算时间。实验结果与分析验证了L1-L2范数正则化模型在图像去噪效果与计算效率的有效性。

一种基于L2范数的GOWA算子的中国生猪价格指数组合预测模型

为了研究指数灰色模型GM(1,N)和BP神经网络模型预测生猪价格指数,提出了一种基于L2范数的GOWA算子的中国生猪价格GM-BP组合预测模型.通过理论分析和数值实验表明,该组合预测模型是有效的,并且可以提高生猪价格指数的预测精度.

OPTIMAL ERROR ESTIMATE IN L~∞(J;L^2(Ω)) NORM OF FEM FOR A MODEL FOR COMPRESSIBLE MISCIBLE DISPLACEMENT IN POROUS MEDIA

We’ll study the FEM for a model for compressible miscible displacement in porous media which includes molecular diffusion and mechanical dispersion in one-dimensional space.A class of vertices-edges-elements interpolation operator ink is introduced.With the help of ink(not elliptic projection),the optimal error estimate in L∞(J;L2(Ω)) norm of FEM is proved.