基于边缘化高斯厄密特卡尔曼滤波的有偏量测下机动目标跟踪方法

针对传感器存在测量偏差情况下的机动目标跟踪问题,提出一种基于边缘化高斯厄密特卡尔曼滤波的有偏量测下机动目标跟踪方法。首先,通过相邻时刻的量测差分构建差分量测方程,从而消除测量偏差,将相邻时刻的目标状态扩维形成增广状态向量以匹配差分量测方程,实现实时滤波估计,同时对增广状态向量进行边缘化处理以降低高斯厄密特滤波的采样维度,减小滤波负担;然后,将交互式多模型方法融入边缘化高斯厄密特卡尔曼滤波以解决机动目标运动模型不确定的问题,在此基础上利用差分量测方程和增广状态向量推导出相应的滤波方程。实验结果表明,本方法能有效消除传感器测量偏差,目标跟踪精度远高于传统的交互式多模型高斯厄密特卡尔曼滤波方法。

H.264压缩域中利用Biased-SVM检测镜头边界

为了直接从H.264码流中检测镜头边界,提出了利用H.264压缩域多特征和Biased-SVM(不平衡支持向量机)分类算法的检测方法。分析帧类型、宏块类型、运动矢量、帧内预测模式等信息,以获得发生镜头突变和渐变的特征。针对镜头边界帧的数量远少于视频帧总数的特点,用Biased-SVM分类方法将视频帧分为突变帧、渐变帧和非镜头边界帧。在TRECVID视频集上的实验结果表明,与其他H.264压缩域的算法相比,该算法有更好的性能。

一种基于主动轮廓模型的心脏核磁共振图像分割方法

提出一种基于主动轮廓模型的左室壁内、外膜分割方法.首先构造了主动轮廓模型的广义法向有偏梯度矢量流外力模型GNBGVF,作为对梯度矢量流(GVF)的改进,该外力场同时保持了切线方向和法线方向有偏的扩散,具有捕捉范围大、抗噪能力强,且在弱边界泄漏等问题上性能突出.就左室壁内膜的分割而言,考虑到左室壁的近似为圆形的特点,引入了圆形约束的能量项,有利于克服由于图像灰度不均、乳突肌等而导致的局部极小.对于左室壁外膜的分割,采用内膜的分割结果初始化,即通过重新组合梯度分量来构造外力场.该外力场能够克服原始梯度矢量流的不足,使得左室壁外膜边缘很弱时也能得到保持,可以自动、准确地分割外膜.实验结果表明,该方法能高效准确地分割左室壁内、外膜.

基于ν-SVM的不平衡数据挖掘研究

针对基于精度的现有分类算法对不平衡数据挖掘表现出“有偏性”,即正例样本的分类和预测性能差于反例样本的分类和预测性能,基于-νSVM及其启发,提出支持向量数和边界支持向量数的界,进而提出支持向量率和边界支持向量率的界,并把这些界分别扩展到正例和反例.在此基础上,证明了正例的支持向量率和边界支持向量率分别依概率大于反例的支持向量率和边界支持向量率,以及正例的分类性能依概率差于反例的分类性能.针对German credit和Heart disease两个Benchmark数据集的试验研究,验证了本文假设的合理性和上述结论的正确性.

不平衡数据知识挖掘:类分布对支持向量机分类的影响

基于标准支持向量机及其启发,提出并证明支持向量数(率)和边界支持向量数(率)的界,并分别推广到正例类和反例类.在此基础上,证明正例的分类精度依概率小于反例的分类精度.虚拟数据仿真和Benchm ark数据仿真表明本文所提方法的有效性和结论的正确性.*

不平衡支持向量机的惩罚因子选择方法

支持向量机在处理不平衡数据集时常常不能取得良好的效果,而基于不同惩罚因子的不平衡支持向量机能够较好地处理这个问题。阐述了支持向量机在不平衡数据集上失效的原因,讨论了不平衡支持向量机的求解算法,提出了一种根据数据集分布的平均密度直接选取惩罚因子的方法,以减少传统交叉验证方法选取参数所需的时间。实验表明,与其他方法相比,这种平均密度方法能够有效提高不平衡支持向量机在不平衡数据集上的识别效果。

旋转导向系统三翼肋偏置位移矢量控制方案

利用三翼肋静态偏置式旋转导向工具,研究了偏置位移矢量控制方法,将其简化为控制平面内位移矢量的合成与分解。结合工程实际要求,提出了分位移矢量计算的就近原则和最小能量原则。考虑到外套旋转角速度和翼肋动作到位时间,提出了分位移矢量计算方法,并实现了编程控制。将控制程序嵌入井下微处理器中,与随钻测量系统、地面监控系统构成信息大闭环控制系统,给出了具体应用方法,为旋转导向工具研制及现场应用提供理论依据和指导。

面向草图检索的相关反馈方法

引入基于有偏SVM的学习机制,提出了一种面向草图检索的相关反馈方法·该方法以草图的全局和结构内容表示与匹配为基础,采用基于有偏SVM学习机制实现相关反馈,可有效地捕捉用户的查询兴趣,改善检索性能·最后通过实例验证了该方法的有效性·

基于H.264的多参考帧快速选择算法

H.264采用了多参考帧技术,大大提高了预测精度,改善了视频图像质量,然而这种特性同时也带来了很高的计算复杂度.为了降低H.264编码器的计算复杂度,本文提出了一种多参考帧快速选择算法.该算法充分考虑多参考帧中运动矢量的相关性以及中心偏置特性,通过对待选参考帧进行预选择,有效减少了需要进行全搜索的参考帧个数,提高了编码速度.实验结果表明,该算法在保持图像质量和码率变化很小的前提下,运动估计模块编码速度提高了30.91%.

一种基于运动估计的隔行/逐行转换算法

针对从隔行扫描的电视场图像获得高质量的逐行扫描帧图像,提出了一种从隔行扫描到逐行扫描的转换算法。该算法通过在隔行/逐行转换中引入运动估计技术,找出相邻两场图像间的运动矢量,然后在场间行内插值时进行图像调整来消除由于图像错位引起的运动模糊,生成具有高垂直分辨率的逐行图像。算法中针对这一特定应用场合,设计了一种运动估计方法。

基于随机森林的正例与未标注学习

为使用正例与未标注数据训练分类器(positive and unlabeled learning,PU learning),提出基于随机森林的PU学习算法。对POSC4.5算法进行扩展,在其生成决策树的过程中加入随机特征选择;在训练阶段,使用有放回抽样技术对PU数据集抽样,生成多个不同的PU训练集,并以其训练扩展后的POSC4.5算法,构造多棵决策树;在分类阶段,采用多数投票策略集成各决策树输出。在UCI数据集上的实验结果表明,该算法的分类性能优于偏置支持向量机算法、POS4.5算法和基于装袋技术的POSC4.5算法。

急性肾损伤早期预测方法

针对急性肾损伤的样本量少、阳性样本和阴性样本数量不平衡等问题,提出了一种改进的SMOTE(Synthetic Minority Over-sampling Technique)和Biased-SVM(Biased Support Vector Machine)相结合的急性肾损伤早期预测方法。该方法先利用改进的SMOTE方法合成少数类样本,降低样本间的不平衡度,然后根据2类样本错分代价不同,赋予被错分的样本不同的惩罚系数,最后对Biased-SVM的关键参数进行了优化。通过与其他重要文献中的相关方法进行对比实验表明,预测方法能有效提高阳性样本的识别率。

基于均衡有偏支持向量机的软件缺陷预测

针对软件缺陷预测中的样本集数量少和分布不对称问题,提出一种基于均衡有偏支持向量机的软件缺陷预测方法。该方法通过标记样本集和未标记样本集进行半监督学习,在少量非对称的标记样本集上,利用有偏支持向量机进行泛化学习。在半监督学习的迭代过程中,采用重采样策略平衡样本集以消除大量不对称的未标记样本集对软件缺陷预测的性能影响。在基准数据集上的实验结果表明,该方法能够有效地对类别不均衡的样本集进行软件缺陷预测。

基于正样本和未标记样本的遥感图像分类方法

传统分类器的构建需要正样本和负样本两类数据。在遥感影像分类中,常出现这样一类情形:感兴趣的地物只有一种。由于标记样本耗时耗力,未标记样本往往容易获取并且包含有用信息,鉴于此,提出了一种基于正样本和未标记样本的遥感图像分类方法(PUL)。首先,根据正样本固有特征并结合支持向量数据描述(SVDD)从未标记集筛选出可信正负样本,再将其从未标记集中剔除;接着将其带入SVM训练,根据未标记集在分类器中的表现设立阈值,再从未标记集中筛选出相对可靠的正负样本;最后是加权SVM(Weighted SVM)过程,初始正样本及提取出的可靠正负样本权重为1,SVM训练筛选出的样本权重范围0~1。为验证PUL的有效性,在遥感影像进行分类实验,并与单类支持向量机(OC-SVM)、高斯数据描述(GDD)、支持向量数据描述(SVDD)、有偏SVM(Biased SVM)以及多类SVM分类对比,实验结果表明PUL提高了分类效果,优于上述单类分类方法及多类SVM方法。

基于Relief特征选择的心衰死亡率预测

提出心衰死亡率预测系统,预测心衰病人本次住院后30天内死亡率。基于上海曙光医院提供的心衰病人信息,首先对原始数据和特征进行预处理。由于特征的冗余性,再选用经典的Relief特征选择算法筛选出重要的心衰特征,最后选用bp-SVM算法来实现死亡率预测。实验结果证明,死亡率预测系统可以达到较高的性能并通过提供决策信息,辅助医生治疗病人。医生可以根据系统预测的病人死亡率的高低,采取不同的治疗方式,提高临床诊断结果和医院的资源分配。

一种基于UMHexagon S的改进算法

本文讨论了UMHexagon S算法的优缺点,提出了一种快速自适应的六边形菱形搜索算法,该算法结合了运动矢量的中心偏置特性、视频的空间相关性和时间相关性.该算法改进了UMHexagon S算法的六边形模板,利用相邻块和前一帧的对应块的运动矢量来判断运动状态.仿真实验结果表明,与UMHexagon S算法相比,在信噪比和码率基本不变的前提下,本算法降低了29.328%的编码时间.

基于Spark的分布式大数据机器学习算法

对于大数据而言,机器学习技术是不可或缺的;对于机器学习而言,大规模的数据可以提升模型的精准度。然而复杂的机器学习算法从时间和性能上都急需分布式内存计算这种关键技术。Spark分布式内存计算可以实现算法的并行操作,有利于机器学习算法处理大数据集。因此本文提出在Spark分布式内存环境下实现非线性机器学习算法,其中包括多层可变神经网络、BPPGD SVM、K-means,并在实现的基础上进行数据压缩、数据偏向抽样或者数据加载等方面的优化。为了实现充分配置资源批量运行脚本,本文也实现Spark ML调度框架来调度以上优化算法。实验结果表明,优化后的3种算法平均误差降低了40%,平均时间缩短了90%。

一种新的运动估计算法

基于搜索起点的预测和梯度下降搜索,提出了十字交叉梯度下降搜索(CCGDS)算法。该算法根据运动矢量的中心分布特性设计了相应的匹配搜索模板。仿真结果表明:该算法可以用较小的搜索代价取得与全搜索相当的效果,且在搜索速度与搜索效果方面优于三步法(TSS)、四步法(FSS)和钻石法(DS)。

SNS:一种快速无偏的分层图抽样算法

抽样作为一种有效的统计分析方法,常被用于大规模图数据分析领域以提升性能。现有的图抽样算法大多存在高度节点或低度节点过度入样的问题,较大程度地影响了算法的性能。复杂网络具有无标度特性,即节点的度服从幂律分布,节点个体之间存在较大差异。在基于点选择策略的抽样方法的基础上,通过结合节点的近似度分布策略,设计并实现了高效无偏的分层图抽样算法SNS。在3个真实的图数据集上的实验结果表明,SNS算法比其他图抽样算法保留了更多的拓扑属性,且执行效率比FFS更高。SNS算法在度的无偏性、抽样结果拓扑属性近似性方面的表现均优于现有算法。

基于距离分级聚类的机载雷达航迹抗差关联算法

针对目标密集分布、系统误差时变、传感器上报目标不一致等复杂环境下的机载雷达航迹关联问题,本文基于高斯随机矢量统计特性推导出一种基于距离分级聚类的机载雷达航迹抗差关联算法.文中首先推导运动平台等价量测方程,基于等价量测的一阶泰勒级数展开得到全局直角坐标系中状态估计分解方程,基于真实状态对消得到航迹距离矢量并基于距离矢量分级聚类提取同源航迹关联对.文中分别设置了目标密集、随机误差、系统误差适应性实验验证算法性能,仿真结果表明本文算法的关联准确性和环境适应性相比经典的基于参照拓扑特征的航迹关联算法(RET)有较大幅度的提升.