基于加权准则的雷达博弈波形设计

在复杂的实战环境中,雷达的先验信息具有很大的不确定性,且由于干扰更加智能化,导致实战中雷达的探测性能再度降低。为提高电子战雷达的探测性能,提出了一种基于互信息与信干噪比加权准则的雷达博弈波形设计方法。首先建立了互信息和信干噪比的加权准则,然后设计相应的雷达与干扰博弈模型,最后提出最大边缘重分配算法以解决重复博弈困境,精炼纳什均衡。仿真实验验证了该方法的有效性。

离散时间折扣多目标马氏决策模型:加权与字典序准则

定义了离散时间折扣多目标马氏决策模型，在加权准则下，证明了存在（ｎ，∞）最优马氏策略；在字典序准则下，利用最优策略的结构性质，将其最优问题转化为一系列单目标模型的最优问题。

单设施选址中的加权maximin准则研究

提出一种新的城市设施选址方法,即加权maximin准则方法。该方法对城市单设施选址有价值。

采用加权最小二乘准则的影像仪自动对焦方法

针对影像测量领域中自动对焦方法存在的对焦准确性不高、对焦过程复杂等问题,提出了一种采用加权最小二乘准则的自动对焦方法。首先,根据不同种类图像清晰度评价函数的评价特性,选定对焦过程中所用的图像清晰度评价函数。其次,在图像清晰度评价函数的基础上进行两阶段对焦,即粗对焦阶段与精对焦阶段。然后,分析了加权最小二乘准则中加权系数的确定原则并给出了其具体确定方法。最后,对精对焦阶段所得清晰度评价值进行归一化处理,采用加权最小二乘准则进行高斯曲线拟合求取极值,极值位置即最终正焦平面。实验结果表明:在步距为0.1mm的条件下,该方法与现有的洛伦兹(Lorent)、Gauss拟合方法相比,对焦误差由0.05mm降低到0.02mm,有效地提高了现有曲线拟合法的对焦准确性。

一种基于加权核Fisher准则的朴素贝叶斯分类器

利用加权核Fisher准则,给出一种朴素贝叶斯分类器的改进算法。该算法通过寻找使类与类最大分离的最优投影矩阵,将样本数据进行投影变换,再利用朴素贝叶斯分类器对新样本进行分类。将该方法应用于双酚A生产过程在线监测数据集的分类中,仿真结果表明,相比于单纯朴素贝叶斯分类器,该分类算法具有更好的分类性能。

基于子模式的加权邻域极大边界准则的人脸识别

本文提出了一种基于子模式的加权邻域极大边界准则的人脸识别算法。该方法首先在训练过程中对人脸图像进行子块划分,采用邻接点的类信息自适应地计算每块的权重以提高人脸在姿态、表情以及光照等变化下的鲁棒性。其次,对每块图像采用加权邻域极大边界准则进行特征提取,该准则充分利用了数据的类信息,选择数据的邻域点最优重构系数用在目标函数中,保留了数据的局部几何结构,从而在低维空间中提取出更好的分类特征。最后在识别过程中,融合待识别图像在各子块中与训练图像的相似度进行识别。实验结果表明,本文算法能够有效地提取局部特征,较好地保留原始数据的非线性结构,较其他全局方法如主成分分析方法,线性判别式方法和加权邻域极大边界准则算法具有更好的识别性能。

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。

城市有益设施选址中的加权minimax准则研究

对城市设施选址进行研究 ,提出一种的城市设施选址方法 ,即加权minimax准则方法 。

基于加权最大类间边缘准则的人脸识别

在人脸识别中,特征提取技术被广泛应用于减少数据量和增强数据可分性。该文依据最大类间边缘准则,提出一种加权最大类间边缘准则的特征提取方法,引入加权函数,对类内和类间散布矩阵分别进行加权。并设计了一个基于离散小波分解、主成分分析和加权最大类间边缘准则的人脸识别系统。在ORL人脸库上的测试结果证实,该方法提高了识别率,最高识别率达98.25%。

基于核加权类对准则的高光谱影像特征提取

针对高光谱遥感影像中相似光谱的不同地物与野类同时存在时,提取有效的非线性可分性特征的问题,提出一种核加权类对准则。首先,推导出类对形式的核线性判别分析准则,即核类对准则,将核类间和类内散布矩阵均表示为类对形式。然后,提出核加权类对准则,依据核空间中各类对的可分性分别对各类对的核类间和类内散布矩阵进行加权,使得各类对的可分性均衡地保留在特征子空间中。采用K近邻分类器和最小距离分类器评估特征提取的效果。基于两个实测高光谱遥感影像的实验结果均表明:相比原空间法、核线性判别分析方法和kernelweightedpairwiseFisher准则,所提核加权类对准则在降维的同时,通过提高可分性小的类对的识别率来提高整体地物识别率。

基于加权Fisher模糊判别准则的真彩色影像分类方法研究

针对Fisher判别分类中,选取样本不平衡导致Fisher线性判别性能下降,提出了加权Fisher判别对类内散布矩阵进行修正的方法.同时,针对Fisher判别准则为阈值分类器,引入了一种新的Fisher模糊判别准则.该方法应用于无人机真彩色影像的道路、植被、裸土地分类,取得了较好的分类结果.并与传统Fisher方法进行了对比研究,实验结果表明,基于加权Fisher模糊判别方法比传统Fisher方法的分类性能明显提高.

基于DCT域加权最大类间边缘准则的模式识别

本文提出一种加权最大类间边缘准则(WPMMC)特征提取算法,它是最大类间边缘准则(MMC)的一般形式;同时证明了这种新的特征提取方法在DCT域的提取结果与空间域是相同的。对于JPEG格式的压缩域图像,WPM-MC直接在DCT域应用,可以省去计算IDCT的过程。最后,在人脸识别系统中检验这种基于DCT和WPMMC的特征提取方法。实验结果表明WPMMC方法比PCA、LDA和MMC方法提取的特征更为有效;保留部分DCT系数的识别结果略高于保留全部DCT系数和在空间域应用WPMMC方法的识别结果。

基于SR和WLS准则的室内目标定位方法

进行室内目标定位的过程中,采集到的目标图像存在失真问题,导致定位目标与真实目标存在偏差,影响最终定位效果。为此,提出基于超分辨率(Super Resolution,SR)和加权最小二乘(Weighted Least Squares,WLS)准则的室内目标定位方法。利用构建的宽深超分辨率(WDSR)网络采集室内目标图像,并基于SR算法建立超分辨率重构模型,将采集的图像输入到模型内,对室内目标图像超分辨率重构,达到高度还原目标缺失信息的目的。根据重构结果,利用多传感器获取室内目标定位初值,采用WLS准则计算多传感器与室内目标位置之间的关系,建立WLS损失函数,定位室内目标。通过对该方法开展室内目标图像清晰度对比测试、待测目标定位误差对比测试以及室内目标定位测试,证明了其精准性高、有效性强。

基于时间加权误差绝对值积分最小准则的高阶系统PID控制器设计

时间加权误差绝对值积分性能指标是指在闭环控制动态过程中时间加权的误差绝对值之和,即ITAE。要使设计的系统满足ITAE最小准则,首先,可以设计一个PID控制器,使它和控制对象形成单位负反馈,之后求出闭环传递函数,再将所求的闭环特征方程式与表格1中基于最小ITAE准则的各阶标准闭环系统的特征方程式进行比较,并得到关于系数的方程。通过解方程组,求得PID控制器的参数。若仅仅通过PID控制的系统不能达到最优性能,则应该加上前置滤波器,以抵消零点对系统的影响。

一种改进的最大间距准则人脸识别方法

针对最大间距准则在人脸特征提取过程中的不足,提出一种统计不相关的加权最大间距准则人脸特征提取方法。首先对最大间距准则的类间散度矩阵和类内散度矩阵加乘权函数。然后在准则函数中利用双参数调节类间散度和类内散度对特征抽取的影响力。最后通过Schmidt正交化得到统计不相关的最佳鉴别矢量集。在ORL和Yale人脸图像库上的仿真实验结果表明,克服了最大间距准则的缺点,提高了人脸识别率。

多模型多传感器标量加权信息融合

随着生产系统越来越复杂,多传感器的应用也越来越广泛。本文基于标量加权的线性最小方差最优信息融合算法,针对多模型多传感器离散线性随机系统,给出了一种分布式标量加权信息融合Kalman滤波器。它只需要计算标量加权系数,可减小在融合中心的计算负担,并通过仿真例子验证算法的有效性。

基于加权不相关鉴别分析的人脸识别

提出了一种基于加权不相关鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以改善样本在低维线性空间中的可分性;然后,以给出的加权Fisher准则为目标函数,在共轭正交的约束下求解其最佳投影方向,从而保证所提取的最佳鉴别特征之间的统计不相关性。实验结果表明,与经典的特征脸方法和Fisher脸方法相比,该方法对光照变化、表情变化以及时间变化等不敏感,具有更好的鲁棒性。

两传感器按对角阵加权信息融合稳态Kalman滤波器

应用现代时间序列分析方法,在按对角阵加权线性最小方差最优信息融合准则下,基于Riccati方程,提出两传感器信息融合稳态最优Kalman滤波器.与按矩阵加权最优融合.Kalman滤波器相比,可减少计算负担,与单传感器情形相比,提高了滤波精度.一个仿真例子说明其有效性.

基于标量加权信息融合的智能故障诊断方法研究

为了满足生产过程中越来越复杂的系统,多传感器逐渐被引入到了故障诊断系统中,多个传感器的应用,使得故障诊断更加及时迅速。本文基于标量加权的线性最小方差最优信息融合算法,对多传感器离散线性随机系统,给出一种分布式标量加权信息融合Kalman滤波器,并在故障诊断中应用,通过仿真例子验证算法的有效性。

加权Fisher卷积神经网络乳腺癌检测模型

乳腺癌是女性发病率最高的癌症,已经严重威胁到女性生命健康。随着医院影像数据量的爆炸式增长和计算机图像分类技术的不断涌现,基于人工智能技术的医学图像分类也逐渐应用于大型医院的科研、临床应用中。将这种手段运用于乳腺癌影像检测中,对其辅助诊断和病理研究有着重要的意义。该文提出一个新的代价函数加权Fisher准则并将其应用于乳腺癌检测的卷积神经网络模型中,其目的在于保证图像输出值和样本标签之间的残差最小的同时,使得同类样本距离越近越好,异类样本距离越远越好,从而加强模型对乳腺癌的分类能力。在公开数据集和医院提取的真实数据上的实验表明,加权Fisher准则能有效提升卷积神经网络的收敛时间和识别率,同时基于改进的LetNet-5相较改进的AlexNet有更优的效果。将加权Fisher的LetNet-5卷积神经网络模型用于乳腺癌辅助诊断,具备一定的临床价值和应用前景。