基于分层高斯混合模型的半监督学习算法

提出了一种基于分层高斯混合模型的半监督学习算法 半监督学习算法的学习样本包括已标记类别样本和未标记类别学习样本 如用高斯混合模型拟合每个类别已标记学习样本的概率分布 ,进而用高斯数为类别数的分层高斯混合模型拟合全部 (已标记和未标记 )学习样本的分布 ,则形成为一个基于分层的高斯混合模型的半监督学习问题 基于EM算法 ,首先利用每个类别已标记样本学习高斯混合模型 ,然后以该模型参数和已标记样本的频率分布作为分层高斯混合模型参数的初值 ,给出了基于分层高斯混合模型的半监督学习算法 以银行票据印刷体数字识别做实验 ,实验结果表明 。

基于MRF分层高斯混合模型的脑MR图分割

脑部磁共振(MR)图像由于偏移场和噪声存在灰度不均的特点.针对传统高斯混合模型应用于MR图像分割中存在噪声和异常值敏感等问题,提出一种基于马尔可夫随机场(MRF)的分层高斯混合模型分割算法.将传统的高斯混合模型进行分层处理,使用高斯混合模型替代其中的高斯分布;针对图像像素点构建MRF,更新分层高斯混合模型的先验概率;根据最大后验准则获取最终分割结果.实验结果表明,DICE、MCR指标均验证了算法的有效性.

面向图像复原的分层贝叶斯局部高斯混合模型

近年来使用高斯模型作为块先验的贝叶斯方法取得了优秀的图像去噪性能,但是这一方法在去噪之外的逆问题求解方面性能不太稳定。提出一种基于分层贝叶斯的高斯混合模型对图像块建模,对模型参数引入先验知识,利用Gaussian-Wishart分布对均值和协方差矩阵的概率分布建模,使得块估计过程更加稳定。基于邻近块的相干性,利用L2范数度量完成局部窗口中相似块的聚类,局部窗口相似块利用特定均值和协方差的多元高斯概率分布建模,利用累加平方图及快速傅里叶变换的数值优化方法,加快相似性度量的计算时间。使用基于马式距离的高斯分布相似度的聚合权重,结合图像上的空间域高斯相似度,更好地拟合自然图像的统计特性。通过实验验证了提出的模型在图像复原求解中的有效性。

一种分层集成的高斯过程回归软测量建模方法

针对一些化工过程呈现显著的非线性和多阶段特点,提出一种分层集成的高斯过程回归软测量建模方法。采用高斯混合模型将过程数据划分为不同的操作阶段;对各阶段的数据进行主元分析,依据各辅助变量在主元空间上的贡献度,将各阶段数据划分成若干子空间并建立相应的高斯过程回归模型;再对子空间模型输出进行均值融合,得到第一层集成输出;采用后验概率对各阶段局部预测进行融合,得到第二层集成输出。通过对工业数据的实验仿真,验证了所提方法的有效性。

基于树结构分层随机森林在非约束环境下的头部姿态估计

头部姿态估计是人类行为和注意力的关键,受到光照、噪声、身份、遮挡等许多因素的影响。为了提高非约束环境下的估计准确率和鲁棒性,该论文提出了树结构分层随机森林在非约束环境下的多类头部姿态估计。首先,为了消除不同环境的噪声影响,提取人脸区域的组合纹理特征,对人脸区域进行积极人脸子区域的分类,分类结果作为树结构分层随机森林的先验知识输入;其次,提出了一种树结构分层随机森林算法,分层估计多自由度下的头部姿态;再次,为了增强算法的分类能力,使用自适应高斯混合模型作为多层次子森林叶子节点的投票模型。在多个公共数据集上的多种非约束实验环境下进行头部姿态估计,最终实验结果表明所提算法在不同质量的图像上都有很好的估计准确率和鲁棒性。

基于SVM的多分类器融合算法在说话人识别中的应用

多分类器协同合作克服了单个分类器识别效果不理想,适用范围较窄或对使用环境要求较高的不足,并为研制更高性能的分类器,提供了解决问题的另一个途径。提出了一种基于SVM的多分类器说话人识别系统,该系统的识别框架基于多分类器的协同工作。该多分类器系统采用了ANN(artificial neural networks)、GMM(gaussian mixed model)分类器和子带结构分类器,参数选取包括MFCC(mel frequency cepstrum coefficient)、LPCC(linear prediction cepstrum coefficient)。多分类器融合采用SVM方法。本系统在超短波信道(15 db)的实际应用中达到94%的识别率。

基于协作机器人仿真环境的关节轨迹预测方法

安全在人机协作过程中是至关重要的,必须实时掌握人的行为信息,并进行准确高效的预测。基于Linux和ROS系统搭建仿真环境,通过Xtion PRO LIVE深度相机采集多组人体关节的空间位置信息,然后通过无监督学习方法对采集到的坐标点进行聚类和预测,实时更新预测模型,并基于minimum-jerk对特殊异常轨迹进行预测。为了充分保证人的安全,主要研究手部和肘部运动轨迹的预测方法。最终实验结果证明,所提出的分层轨迹预测框架可以很好地描述人体运动轨迹,并实时做出准确的预测,不仅保证了人体安全,而且对于提高生产效率具有重要意义。

一种通过去噪来提高图像标注性能的方法

提出一种通过去除噪声来提高分层高斯混合模型的图像标注性能的方法.在有监督多概念标注(Su-pervised Multiclass Labeling,SML)中,它采用了分层高斯混合模型,有效地把大量的表示图片的高斯混合模型聚类成一个表示某概念类的高斯混合模型,从而很容易实现图像的分类和标注.通过引入去噪过程,减少了图片中与概念不相关的高斯分量,消除了噪声高斯分量对分类器的负面影响,从而提高了分类性能.基于TRECVID2005数据的图像标注实验证明,该方法可以取得比SML方法更好的标注性能.

铁路客运站复杂环境中的运动目标检测

采用分层组织的形式将传统高斯混合模型分为背景层、竞争层和噪声层,各层分别采用不同的更新机制,在各层之间引入晋级和降级机制以纠正可能存在的误判。采用基于轮廓检测的噪声滤波实现噪声层更新以消除噪声,并利用直方图匹配检测伪前景区域以提高对背景变化的适应能力。使用停车场视频和铁路客运站候车室视频对改进后高斯混合模型的检测效果进行了验证。验证结果表明:改进的高斯混合模型有效避免了长期静止的目标被融入背景,降低了光线突变或摄像机噪声的干扰,加快了背景改变时模型的更新速度,目标检测速度比传统GMM提高了10%。检则方法满足了铁路客运站智能视频监控实时性和准确性的要求,为视频分析奠定了基础。

基于DBSCAN算法的城轨车站乘客聚集特征分析

发掘并掌握站内乘客群体的聚集时空变化规律,对于优化城市轨道交通线网间车辆的调度,特别是优化灾害条件下的客流组织管理等,具有积极的作用.针对具有密度分布非均匀特征的车站乘客位置数据集,提出一种基于高斯混合模型的DBSCAN聚类算法.首先,利用高斯混合模型对数据集进行密度的分层处理;然后,面向不同密度层次的数据集进行局部聚类,确定各密度层数据集的参数,并选取恰当的种子以完成局部聚类簇扩展;最后,将各密度层次数据集的聚类结果进行合并.通过标准和实测数据的计算结果表明,基于高斯混合模型优化后的DBSCAN算法,对于非均匀密度分布的乘客位置分布数据具有更好的聚类效果.