传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布...传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。展开更多
在全局耦合模型中,噪声方差参数和信噪比参数的第二个超参数是基于所有基因节点进行求解的,与当前节点无关的信息将被引入全局信息共享,从而使网络重构精度降低。因此,文章在全局耦合模型的基础上,提出了噪声方差参数和信噪比参数特定...在全局耦合模型中,噪声方差参数和信噪比参数的第二个超参数是基于所有基因节点进行求解的,与当前节点无关的信息将被引入全局信息共享,从而使网络重构精度降低。因此,文章在全局耦合模型的基础上,提出了噪声方差参数和信噪比参数特定于父节点的非齐次动态贝叶斯网络(Non-homogeneous dynamic Bayesian networks with noise variance and signal-to-noise parameters specific to the parent node,PS Global coupling NH-DBN)模型。新的模型在RJMCMC迭代过程中,筛选出当前节点的父节点,噪声方差参数和信噪比参数的第二个超参数是基于父节点进行求解的,与之无关的节点信息将不会纳入全局耦合模型中。最终,在真实酵母基因表达数据上的实验结果表明,PS Global coupling NH-DBN模型比其他同类型模型具有更好的网络重构精度。展开更多
为了实现SAR图像的可变类分割,本文提出了一种基于区域的多尺度可变类分割方法。首先,利用曲波变换对SAR图像进行多尺度分解,获取多尺度曲波系数;然后按尺度由粗-细次序,利用曲波逆变换对各尺度曲波系数进行重构,获取各尺度分解图像,进...为了实现SAR图像的可变类分割,本文提出了一种基于区域的多尺度可变类分割方法。首先,利用曲波变换对SAR图像进行多尺度分解,获取多尺度曲波系数;然后按尺度由粗-细次序,利用曲波逆变换对各尺度曲波系数进行重构,获取各尺度分解图像,进而获得多尺度分解图像。在此基础上,利用规则划分技术划分图像域;然后利用Gamma分布及马尔科夫随机场(Markov Random Field,MRF)模型建立基于区域的特征场模型及标号场模型;假设图像类别数为随机变量,并服从Poisson分布;并在贝叶斯理论框架下建立基于区域的多尺度可变类分割模型。最后,利用可逆变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo,RJMCMC)算法,实现该模型求解;在求解过程中,按尺度由粗-细次序,将当前尺度分割解作为下一低尺度分割的初始解,以细尺度的分割解作为最终分割结果。利用提出方法对模拟及真实SAR图像进行可变类分割实验,通过其实验结果验证提出方法的可行性及有效性。展开更多
文摘传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。
文摘在全局耦合模型中,噪声方差参数和信噪比参数的第二个超参数是基于所有基因节点进行求解的,与当前节点无关的信息将被引入全局信息共享,从而使网络重构精度降低。因此,文章在全局耦合模型的基础上,提出了噪声方差参数和信噪比参数特定于父节点的非齐次动态贝叶斯网络(Non-homogeneous dynamic Bayesian networks with noise variance and signal-to-noise parameters specific to the parent node,PS Global coupling NH-DBN)模型。新的模型在RJMCMC迭代过程中,筛选出当前节点的父节点,噪声方差参数和信噪比参数的第二个超参数是基于父节点进行求解的,与之无关的节点信息将不会纳入全局耦合模型中。最终,在真实酵母基因表达数据上的实验结果表明,PS Global coupling NH-DBN模型比其他同类型模型具有更好的网络重构精度。
文摘为了实现SAR图像的可变类分割,本文提出了一种基于区域的多尺度可变类分割方法。首先,利用曲波变换对SAR图像进行多尺度分解,获取多尺度曲波系数;然后按尺度由粗-细次序,利用曲波逆变换对各尺度曲波系数进行重构,获取各尺度分解图像,进而获得多尺度分解图像。在此基础上,利用规则划分技术划分图像域;然后利用Gamma分布及马尔科夫随机场(Markov Random Field,MRF)模型建立基于区域的特征场模型及标号场模型;假设图像类别数为随机变量,并服从Poisson分布;并在贝叶斯理论框架下建立基于区域的多尺度可变类分割模型。最后,利用可逆变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo,RJMCMC)算法,实现该模型求解;在求解过程中,按尺度由粗-细次序,将当前尺度分割解作为下一低尺度分割的初始解,以细尺度的分割解作为最终分割结果。利用提出方法对模拟及真实SAR图像进行可变类分割实验,通过其实验结果验证提出方法的可行性及有效性。