用于多目标跟踪的高斯混合轨迹预测模型

针对视频中目标之间的遮挡会增加轨迹关联难度的问题,提出了一种高斯混合轨迹预测模型来改善遮挡情况下的关联效果.该模型采用Transformer结构,从对象的历史运动信息中提取更长的时间依赖性,以便更准确地预测跟踪对象在未来的轨迹分布;同时,将模型的输出设置为高斯混合分布,采用多个高斯分布相加来定义跟踪对象在未来的轨迹分布,以利用轨迹分布来计算检测目标和跟踪对象之间的空间相似性.实验结果表明:该模型能够改善跟踪性能,在MOT17数据集上HOTA达到了56.3%.

基于层次分解、主成分分析和高斯混合模型的火成岩岩性识别——以惠州26洼古潜山为例

火成岩油气成藏规律复杂,受到火山运动、强构造运动以及风化剥蚀等叠加影响,火成岩的化学成分和结构构造复杂多样,非均质性极强,采用常规岩性识别方法难以一次性将所有岩性准确识别。借鉴层次分解思路,以惠州26洼古潜山为例,提出了一种火成岩岩性测井识别分类方法:综合考虑火成岩地质分类原则和测井响应特征来确定岩性识别层级,基于这种层次性的分类原则,在每一层次定量优选岩性识别敏感参数,建立研究区岩性识别优选层级;在明确岩性识别优选层级的基础上,逐级逐次使用主成分分析(PCA)和高斯混合模型(GMM)对岩性进行判别并确定其计算函数,建立分级优选岩性识别模型,最终达到整体岩性区分的目的。研究结果表明,研究区辉绿岩和闪长岩识别正确率分别为87.31%和84.32%,未分级未优选辉绿岩和闪长岩识别正确率为60.45%和54.88%,分级未优选其岩性识别正确率为69.61%和67.04%,有效提高了研究区的复杂岩性识别精度。该方法的提出对提高火成岩岩性识别精度提供了一种思路,也为研究区古潜山火成岩岩性精确识别提供了参考依据。

基于非凸熵最小化与高斯混合模型聚类的电容层析成像图像重建

基于压缩感知原理提出了一种构建非凸熵(NE)函数作为正则化项的方法,在有效缓解电容层析成像(ECT)病态性逆问题的同时可保证解的稀疏性,并采用快速迭代阈值收缩算法(FISTA)求解以加快收敛速度。对所得解通过高斯混合模型(GMM)进行阈值寻优,采用期望最大化算法(E-M)更新模型参数,从而构建NE-GMM算法。仿真及实验结果均表明:与LBP、Landweber、迭代硬阈值(IHT)、ADMM-L1及NE算法进行了对比,该算法所得重建图像质量最优,对中心分布及多物体分布的保真度进一步提高,仿真实验重建图像的平均相对误差和相关系数分别为0.4611及0.8827,优于其他5种算法。

基于高斯混合模型的采煤工作面冲击危险性评价

【目的】深入了解声发射或微震能量分布所蕴含的概率学信息,对于工作面回采过程中的冲击危险性评价具有重要意义。【方法】以陕西大佛寺煤矿4号煤层40111工作面作为工程背景,运用物理相似模拟实验、理论分析、现场监测等相关方法进行分析,研究了声发射监测数据在回采过程中的演化规律,阐明了声发射能量概率分布呈现波动性的物理意义,提出了基于高斯混合模型(Gaussianminture model,GMM)及置信区间的冲击危险性评价指标模型,并由现场微震数据进行验证。【结果和结论】结果表明:回采过程中上覆岩层周期性垮落并伴随声发射能量的集中释放。总能量的概率密度函数呈现多自由度的非对称分布,通过对比残差平方和等多项拟合效果指标,确定高斯混合模型为最佳拟合模型。基于EM(expectation maximization)算法的GMM聚类分析,将声发射事件总能量分布划分为两类:高频低能型和低频高能型,其中低频高能型与冲击事件的突发性和高能量破坏特征一致。依据概率-能量梯度变化特征,对工作面开采过程中冲击危险性进行了评估。研究成果为采煤工作面冲击危险性评价提供了概率学上的创新思路,具有在冲击地压监测预警及后续防治中的潜在应用价值。

高斯混合模型与文本图卷积网络结合的虚假评论识别算法

针对文本图卷积网络(Text GCN)窗口边权阈值策略不足的问题,为了更精准地挖掘相关的词关联结构、提高预测精度,提出一种高斯混合模型(GMM)与Text GCN结合的虚假评论识别算法F-Text GCN。首先,利用GMM分离噪声边权分布的特性,提高虚假评论在训练数据上相对正常评论数不足的边信号强度;然后,考虑到信源的多样性,综合文档、词汇和评论以及非文本特征构造邻接矩阵;最后,通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126086条实际中文评论数据开展实证研究,实验结果表明,F-Text GCN识别虚假评论的F1值达到82.92%,与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%,相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%;研究了高仿虚假评论的预测错误率,在支持向量机(SVM)作用后难识别的评论样本上尝试二次识别,F-Text GCN整体预测准确率可达94.71%,相较于Text GCN和SVM,在识别准确率上分别提升了2.91%和14.54%。研究发现,虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇,这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。

基于高斯混合模型的物联网通信链路异常检测

物联网涉及各种类型的设备、传感器和通信技术,链路异常的表现也各不相同,对于链路异常检测带来了挑战,为了精准地检测出移动物联网通信链路异常,提高通信质量,提出一种基于高斯混合模型的物联网通信链路异常检测方法。通过离散小波变换中的Mallat分解算法对移动物联网通信链路接收到的信号矢量展开小波分解,重构通信链路信号,并对重构后链路信号中的干扰部分展开白化处理,实现移动物联网通信链路干扰抑制。构建高斯混合模型,通过EM算法对高斯混合模型展开参数估计,利用完成参数估计后的模型展开移动物联网通信链路异常检测。实验结果表明,所提方法可以有效抑制通信过程中的干扰,同时还可以得到高准确率和高效率的通信链路异常检测结果。

基于改进混合高斯模型的运动目标检测方法

智能监控系统全自动实时监控,利用计算机视觉技术和计算机数据处理能力自动识别视频源中的关键信息,可以快速准确地定位异常行为并预警。运动目标检测作为智能监控系统智能分析模块的基础,是智能监控系统中目标识别、异常行为分析及应对策略的基础。本文分析常用的运动目标检测方法,针对混合高斯模型在运动目标速度过慢、光照突变情况下产生空洞的问题,采用一种基于三间帧差法的混合高斯模型目标检测方法,该方法结合三间帧差法通过差分图像获取运动轮廓,具有计算简单、实时性强的优势,以及高斯背景模型减除法获取目标内部信息完整的优势。经实验验证表明该方法实现程序简单,能够有效地检测出背景中的运动目标,满足实时检测的需要。

基于深度学习和高斯混合模型的异常识别算法

现有的异常识别方法无法兼顾与人有关的异常行为识别和与人无关的异常现象识别,且在目标有遮挡的情况下识别率较低。针对上述问题,提出基于深度学习的网络框架对正常帧的人体姿态的结构特征片段进行训练,片段化训练使得算法具有抗遮挡能力。此外,为了识别与人无关的异常情况(如汽车、自行车、遗留物等),提出使用改进的自适应K值的高斯混合模型对视频背景进行建模,从而对与人无关的异常情况进行提取。实验表明,算法在公开数据集Avenue和ShanghaiTech上的异常识别AUC分别提升了0.025和0.034。

基于高斯混合模型聚类的双馈风电场动态等值建模方法

针对风电场动态运行条件下等值建模精度偏低、聚类依据不足的难题,提出一种基于高斯混合模型聚类思想的风电场等值建模方法。首先,分析单台双馈感应式风力发电机在低电压穿越期间的动态响应特性,根据响应特性的集群特征构建聚类指标。然后,提出基于高斯混合模型动态初步聚类、优化聚类数目的两阶段等值建模方法,推导出赤池信息和贝叶斯信息准则下聚类数目的寻优算法。以典型中等规模风电场为例,在Matlab/Simulink平台进行不同故障穿越条件的仿真测试,结果表明所提风电场等值建模方法聚类有效、精度高。

基于高斯混合模型的无向网络重构

从数据中推断网络的结构作为复杂网络中一个重要科学问题已得到广泛关注.现有的网络重构方法大多将网络重构问题转化为一系列线性方程组的求解问题,然后通过某种截断方法对每个方程组的解进行截断,从而确定每个节点的局部结构.然而现有的截断方法大多存在着精度不足的问题,且少有方法衡量每个方程组解的可截断性,即节点的可重构性.为了解决这些问题,本文提出了一种基于高斯混合模型的无向网络重构方法.该方法首先将节点间连接关系的推断问题转化为一个聚类问题,然后利用高斯混合模型进行求解,得到每个节点与其他节点的连接概率,并根据概率定义一个基于信息熵的可重构指标,从而在真实网络结构未知的情况下衡量每个节点的可重构性.将该方法用于无向网络中,可以利用无向网络的对称特征,将可重构性高的节点作为训练集指导可重构性低的节点进行结构推断,从而更好地重构出无向网络.最后,通过在合成数据和真实数据上与现有的截断方法进行比较,证明了该方法可以更有效地重构出网络结构.

基于高斯混合模型的分布因子聚类方法

随着信息技术的发展,人类社会产生的数据规模越来越庞大、形式越来越复杂,对聚类分析形成了巨大挑战。在越来越多的应用场景中,观测数据具有相互关联、层次嵌套的结构,使传统聚类方法难以直接适用。通常的解决方案是采用特征工程方法将观测信息压缩为低维特征向量进行聚类,但这将带来不可避免的信息损失。为充分利用观测数据,本文以分布函数表示聚类对象,大幅降低信息损失,进而提出基于高斯混合模型的分布因子模型。该模型将聚类对象的观测数据分解为两部分,一是以高斯成分表示的公共因子,反映数据中具有共性的典型模式;二是载荷矩阵,矩阵中每个载荷向量反映个体的异质性特征。估计得到载荷向量后即可对不同个体实现聚类划分。本文提出的方法具有优良的统计学效率,能够证明在一定假设条件下聚类误差率能够随着观测个体数目的发散而趋近于0。基于模拟数据和股票收益、大气污染实际数据的实验表明,该方法能够区分具有不同特征模式的个体,解决多维数据的分布函数聚类问题,并为金融风险管理、空气质量的差异化治理等现实问题提供决策支持。

基于高斯混合模型的碳酸盐岩储层物性与孔隙参数地震岩石物理同步反演

碳酸盐岩储层是我国油气资源增储上产的重要领域,然而此类储层通常发育复杂的孔隙结构,极易影响物性参数地震预测结果的精度.本文提出一种基于高斯混合模型的物性与孔隙参数地震岩石物理同步反演方法.基于微分有效介质模型和Gassmann方程,推导定量关联孔隙度、流体饱和度及孔隙纵横比与弹性参数的线性正演算子.引入了高斯混合模型表征物性与孔隙参数的联合先验概率分布,进而表征岩相统计差异特征.基于贝叶斯线性反演理论及线性正演算子,构建目标参数后验概率的解析表达式,然后根据测井数据反演井旁孔隙纵横比,以提供可靠的孔隙参数先验约束,并利用迭代贝叶斯反演算法,提高线性正演算子的模拟精度.本方法将孔隙纵横比作为反演目标参数,表征碳酸盐岩孔隙结构的空间变化特征,结合贝叶斯线性反演方法,以提高物性参数地震反演结果的精度与运算效率.数据测试表明,所提出的方法物性参数反演结果对比常规方法精度有明显改善,且在一定程度上,新方法受初始模型和弹性参数的影响较小.三维地震数据的应用验证了本方法的有效性,其孔隙度反演结果能够有效的指示有利储层的空间分布.

基于改进高斯混合模型的变电站负荷聚类算法

针对传统高斯混合模型(Gaussian mixture model,GMM)聚类算法中计算复杂、收敛速度慢和人为确定聚类数目时存在盲目性和主观性等不足,提出了一种基于改进GMM的变电站负荷聚类算法。以传统GMM聚类算法为基础,采用k均值(k-means)算法确定初始聚类中心。减少了GMM聚类算法迭代步骤,提高了输出结果的稳定性。输出不同聚类数下聚类结果的Davies-Bouldin(DB)指标、CalinskiHarabasz(CH)指标和轮廓系数(silhouette coefficient,SC),应用熵权法确定不同评价指标所占权重,构建聚类评价混合指数(cluster evaluation mixed index,CEM)。将聚类评价混合指数最大值对应的聚类个数作为最佳聚类数目,再次输入到改进GMM聚类算法中,得到变电站负荷聚类结果和聚类中心。结果表明,所提方法增强了传统GMM聚类算法的计算速度和稳定性,对变电站负荷具有良好的聚类综合能力,有助于实现聚类结果最优化。

高斯混合模型在水系沉积物地球化学异常圈定中的应用:以湖南省溆浦地区为例

化探数据的正确处理和解译对于区域矿产勘查工作具有重要意义。然而,由于不同类型的岩石具有不同的元素丰度,在处理复杂岩性区化探数据时如果采用统一的异常下限,会导致高背景区被误判为异常区,而部分低弱地球化学异常被忽略。所以复杂岩性区的化探数据需按岩性分类后再划分地球化学背景与异常,从而更准确地圈定化探异常。提出了基于因子得分高斯混合模型的化探异常圈定方法,首先将化探数据做对数比转换后进行因子分析,然后利用因子得分完成高斯混合模型岩性分类,再进行分类标准化处理以消除岩性背景的影响,最后使用处理后的数据圈定化探异常。利用该方法对湖南溆浦地区1∶20万水系沉积物化探数据进行研究,结果表明,成矿元素在研究区不同岩性中的含量存在一定差异,若采用统一的异常下限是不合理的;而本研究提出的方法能准确地进行岩性分类、消除不同岩性的背景和强化低弱异常,且异常位置与已知矿点相吻合。因此,高斯混合模型方法可以准确地圈定复杂岩性区的化探异常,并为研究区下一步的矿产勘查工作提供一些参考依据。

基于高斯混合模型的谐波责任估计方法

针对不完全可观系统提出一种基于高斯混合模型的谐波责任估计方法。依据谐波测量电压的概率分布特性估计各谐波负荷的谐波责任,规避因引入不可测的线路参数对量化谐波责任造成的困难。先根据测得的谐波电压样本训练高斯混合模型;然后,基于贝叶斯信息准则和Kullback‐Leibler散度比率确定混合模型中的高斯分量的数量及位置范围,并通过Z检验实现谐波电压样本的异常检测;最后,通过IEEE 14节点测试系统检验了所提方法的有效性。

基于2dSVD和高斯混合模型的多变量时间序列聚类

针对多变量时间序列(MTS)存在时间和变量两个维度,以及传统主成分分析(PCA)方法在MTS数据表示上的局限性,提出一种基于二维奇异值分解(2dSVD)和高斯混合模型(GMM)的MTS聚类算法。该文计算MTS的行-行和列-列协方差矩阵的特征向量,从时间和变量两个维度提取特征矩阵;用GMM从概率分布角度对特征矩阵进行聚类。数值实验结果表明,该方法对多变量时间序列具有更好的聚类效果。

基于EM算法的高斯混合模型的织物组织点自动识别

针对现有无监督学习识别机织物组织点的准确率相对较低和不稳定的问题,研究基于EM算法的高斯混合模型对机织物组织点的识别方法。首先对采集的不同织物图像进行预处理及图像矫正,以提高后续的组织点的分割效率;接着利用改进的灰度投影法进行织物组织点定位,并提取组织点的灰度共生矩作为纹理特征,通过主成分分析对纹理特征进行降维处理;最后采用2种常见无监督学习与文章所用的识别方法做实验比较,并采用4种评估指标进行评估,得到评估结果。通过计算4种评估指标平均值和标准差进行比较,文章所用识别方法的评估参数平均值都要比其余两种识别算法高。文章所用识别方法能对织物组织点进行自动识别,并且识别的准确率相比于其余两种识别算法得到了有效地提升。

基于高斯混合模型的配电网分布式光伏接入影响量化分析方法

针对大量光伏并网后对配电网的影响难以准确评估的问题,提出一种基于高斯混合模型的配电网分布式光伏接入影响量化分析方法。首先,基于配电台区节点负荷历史数据和太阳辐照强度历史数据,建立基于高斯混合模型理论的配电台区节点注入功率的不确定性模型,通过线性化潮流方法计算得到配电台区的节点电压幅值、支路有功潮流等电气量的概率密度函数;其次,建立分布式光伏接入影响量化评估指标体系,并提出分布式光伏接入影响量化评估方法;最后,基于算例对本文所提方法进行验证。

基于高斯混合模型及EM算法的建筑工程数据预警治理方法

结合初期雨水调蓄大直径顶管工程的实际设计及施工经验,对软弱地层条件下长距离大直径平行双管曲线顶管在设计及施工过程中存在的重点难点问题进行总结,并对顶管过程中的顶力及管周摩阻力做了深入分析研究,有针对性地提出了相应的解决方案,使该顶管工程顺利贯通。建筑工程行业在现代社会中发挥着重要的经济和社会作用,然而,它也伴随着诸多风险和不确定性。为了有效地管理和预测这些风险,本文提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的数据预警治理方法。该方法旨在通过对建筑工程数据的建模和分析,提前识别潜在的问题和风险,从而改善工程项目的管理和决策。

基于高斯混合模型的物流非高斯随机振动损伤分析

针对公路运输环境中的振动信号具有明显的非高斯性,提出一种非高斯随机振动疲劳损伤分析方法。为了描述振动信号的幅值概率密度分布,采用移动加速度均方根来代表该段信号的振动强度,并引入高斯混合模型对加速度均方根值进行描述。在此基础上结合Tovo-Benasciutti方法和Dirlik方法推导出非高斯宽带频域疲劳损伤计算方法。最后,以雨流计数法作为参考,对不同峭度的实测振动信号进行疲劳损伤分析,结果表明,与传统频域疲劳损伤计算方法相比较,提出的非高斯疲劳损伤方法具有更高的计算精度。该研究对于运输包装件的随机振动加速试验设计有实际意义。