基于形变估计与运动补偿的医学CT图像层间超分辨率算法

针对医学断层图像层间分辨率较低的问题,提出了基于形变估计与运动补偿的医学CT图像层间超分辨率算法用于生成切片间图像,从而提高层间分辨率。首先利用U-Net对相邻两幅图像作多尺度特征提取与融合;其次,为了处理层间图像的复杂形变,使用基于自适应协作流的变形扭曲模块来实现相邻切片间的双向形变估计,设计层级信息递进融合模块对金字塔特征层进行特征聚合,对生成图进行运动补偿;最后经过后处理网络以减少异常像素点。该算法在两种CT数据集上进行验证,平均PSNR值分别达到了35.59 dB和30.76 dB,输出图能较好地恢复图像细节。与现有的一些方法对比,相关实验证明了该算法的有效性。

多层特征融合与混合注意力的物体位姿估计

在工业机器人抓取过程中,针对物体无纹理、存在遮挡、场景杂乱的情况下的6D位姿精确估计问题,提出一种多层特征融合与混合空间通道注意力的物体6D位姿估计算法。设计了一种垂直连接的双向特征融合金字塔网络,实现多层特征融合,提升对目标关键点的检测性能。嵌入混合空间通道注意力机制,聚焦空间和通道两个维度上的特征信息,增强模型的局部表征能力。在LineMod数据集及Occlusion LineMod遮挡数据集上的实验结果表明所提出算法的优越性及有效性,且能够有效处理背景杂乱及遮挡问题。

基于多层感知机的无线射频标签数量估计方法

近年来,随着标签价格的下降和供应链物流需求的增长,射频识别技术已经走向全面部署阶段.全面部署意指在所有商品上部署标签,以提升供应链追踪的精度.这种趋势会导致标签数据规模呈指数倍增长,给阅读器的信息读取带来很大的压力.在这个背景下,标签数量估计协议,正因为其时间效率高的特点得到越来越多的关注.现有的方法主要根据时隙状态统计特征进行数量估计.然而,各类型数量估计统计量的精度受到系统参数、标签规模、以及随机噪声的影响,其结果很不稳定.任意单一特征都很难给出精准、稳定的数量估计结果.为此,本文设计了一种基于多层感知机的数量估计方法,通过融合多样化的数量估计特征来提高估计的精度.针对真实时隙状态难以获取,模型难以训练的问题,本文研究了如何通过仿真器生成大量具有不同时隙状态的随机帧来训练我们的网络.针对数量估计网络工作范围较窄的问题,我们设计了一种两阶段基于采样思想的数量估计协议,通过快速的标签数量粗略估计设定合理的采样概率,以确保标签数目位于数量估计网络的工作区间.我们的仿真实验结果表明,本文提出的基于多层感知机的数量估计协议比现有方法能提升至少21%的精度.

比例融合与多层规模感知的人群计数方法

针对密集场景下人群图像拍摄视角或距离多变造成的多尺度特征获取不足、融合不佳和全局特征利用不充分等问题,提出一种比例融合与多层规模感知的人群计数网络。首先采用骨干网络VGG16提取人群密度初始特征;其次,设计多层规模感知模块,获得人群多尺度信息的丰富表达;再次,提出比例融合策略,根据卷积层捕获的特征权重重构多尺度信息,提取显著性人群特征;最后,采用卷积回归策略进行密度图的回归。同时,提出一种局部一致性损失函数,通过区域化密度图的方式增强生成密度图与真实密度图的相似度,提高计数性能。在多个人群数据集上的试验结果表明,所提模型优于近年人群计数的先进方法,且在车辆计数上有较好推广性。

基于局部平面引导层的无监督单目红外图像深度估计

当前无监督单目红外图像深度估计方法难以处理低纹理和低对比度区域,导致估计效果差,因此本文提出了一种基于局部平面引导层的无监督单目红外图像深度估计算法。该算法由连续视频帧输入、多尺度特征提取、ASPP和局部平面引导层、计算损失、联合训练、输出图像模块组成。首先,通过采用多个小分辨率灰度块和多尺度特征融合,解决了红外图像边缘模糊和遮挡物体等问题。其次,通过利用局部平面引导层在深度图像上引入一个平面约束,减小了深度图像中的噪声和不连续性,以及传统算法对低纹理区域处理不明显等问题。实验结果表明,所提出的深度估计算法有效提高了单目深度估计的精度并减小误差,在Iray数据集上的Abs Rel、Sq Rel、RMS、RMS(log)分别为0.262、3.621、9.473、0.332,在阈值指标小于1.25、1.252、1.253时,准确率达到了60.5%、85.2%、94.5%。

无失效威布尔情形下基于双修正多层Bayes的可靠性评估

利用配分布曲线法构建无失效数据的可靠性评估模型时,往往采用E-Bayes或多层Bayes来估计失效概率,但因其估计能力有限,整体可靠度点估计精度不高。针对威布尔分布数据提出了一种新的双修正多层Bayes方法,用于改善失效概率估计,并完成可靠度点估计。在多层Bayes的基础上,通过修正失效概率上下限值来减小失效概率估计误差,然后结合加权最小二乘法和威布尔分布可靠度函数确定参数估计值和可靠度曲线,从而得到可靠度点估计。利用Monte-Carlo仿真试验,发现新方法能将参数估计相对误差控制在10%以下,并且得到的可靠度值更加趋近真值。通过实例分析发现,在超参数c取不同值的情况下,采用新方法得到的可靠度都更加接近工程实际。新方法适用性分析表明,形状参数β是影响估计精度的关键因素,且在β>2.2时新方法具有明显的优势及良好的稳健性。研究结果可为其他寿命分布无失效数据的可靠性评估提供参考。

对数正态多层贝叶斯模型的参数估计

为了更好地捕捉呈偏态分布数据的变化,提高统计推断的精确度,将对数正态多层先验分布的构造方法与贝叶斯定理结合建立了对数正态多层贝叶斯模型。利用Gibbs抽样算法对各未知参数进行贝叶斯估计,并对使用Gibbs算法所生成的迭代链进行收敛性诊断。随机模拟结果显示,在相对误差、均方误差(MSE)准则下,贝叶斯估计的效果较似然估计更优。最后,通过实证分析证明了所建立的模型是切实可行的。

复合Mlinex损失函数下艾拉姆咖分布参数的Bayes估计

在本文中,我们采用了一种复合的Mlinex损失函数作为研究的基础准则,艾拉姆咖是一种衡量统计模型优良性的指标,通常用于模型选择。当我们在模型中引入逆伽玛分布作为先验分布时,我们利用Mlinex损失函数来评估艾拉姆咖指标的表现,并且讨论了该分布下三种不同的参数估计方法:Bayes估计、E-Bayes估计和多层Bayes估计。为了验证这些估计方法的性能,本文采用了数值模拟的方法。通过构建模拟数据集,并应用上述估计方法,可以观察它们在不同情况下的表现。模拟结果显示,这三种估计方法都表现出了良好的稳健性。

基于Bayesian估计和Wiener滤波的阈值去噪方法

基于阈值的小波域去噪方法的核心是阈值选取 ,通过最小化一个Bayesian风险函数得到一种自适应阈值 ,结合线性滤波中具有代表性的Wiener方法 ,提出了一种新的去噪方法 .实验结果表明 ,该方法能有效地去除图像中的白噪声 ,同时还能较好地保留图像的边缘信息 。

Cauchy稀疏约束Bayesian估计地震盲反褶积框架与算法研究

以二阶统计学方法为基础,从Canadas等提出的非最小相位子波和非白噪反射系数地震盲反褶积框架出发,给出了Cauchy稀疏约束Bayesian估计地震盲反褶积框架。基于反射系数与子波相互独立(或弱相关)的假设,分别构建了反射系数和子波最优估计方程,并采用预条件共轭梯度法迭代反演实现反射系数和子波的同时估计。在方法具体实现时,以传统脉冲反褶积结果作为迭代初值,通过迭代得到反射系数和任意相位子波;然后再对子波进行最小相位化,通过反演得到反子波;最后将反子波与地震道褶积,得到反褶积结果。利用理论模型和实际数据对算法进行了试算,结果表明,给出的地震盲反褶积理论框架是正确的;与直接(共轭梯度求解正则方程)稀疏同时迭代反演法的对比显示,预条件共轭梯度算法稳定,精度高,收敛快。

基于Bayesian方法的参数估计和异常值检测

异常值检测是当前数据分析研究中的一个重要研究领域。模型中的异常值会直接影响建模、参数的估计、预测等问题。基于模型的异常值检测,传统的做法是先对模型参数进行估计,再进行异常值检测。而异常值的存在会影响参数估计,从而导致下一步异常值检测的不可靠;反之异常值检测也会影响参数估计。针对这些不足之处,提出了基于Bayesian方法的参数估计和异常值检测,此方法可以将参数估计和异常值检测同时实现,具体做法是在线性回归模型中引入识别变量,基于Gibbs抽样算法,给出识别变量后验概率的计算方法,通过比较这些识别变量的后验概率进行异常值定位,同时给出参数的估算方法。通过大量的模拟实验,结果表明,与传统方法相比,提出的方法对异常值更灵敏。

基于MH抽样的Bayesian方位估计快速算法

针对Bayesian方位估计计算量大的问题,将马尔可夫蒙特卡罗方法与Bayesian方位估计相结合,提出一种基于MH(Metropolis-Hastings)抽样的Bayesian方位估计新方法(简称MHB)。该方法将Bayesian算法的空间谱函数作为信号的概率分布函数,并利用MH抽样方法从该概率分布函数中抽样。研究结果表明,MHB方法不但保持了Bayesian方位估计方法的优良性能,而且大大减小了计算量。

指数分布参数多层Bayes和E Bayes估计的性质

本文讨论无失效数据下指数分布参数多层Bayes估计和E Bayes估计的性质,在超参数分别取两种不同的先验分布下,证明参数的多层Bayes估计和E Bayes估计渐近相等,且多层Bayes估计值小于E Bayes估计值.

无失效数据下失效概率的多层Bayes和E Bayes估计的性质

高可靠性产品的可靠性试验很难获得样品失效的数据,可靠性参数估计涉及无失效数据分析,Bayes方法是处理无失效数据分析的有力方法。多层Bayes参数估计涉及到Beta函数比的积分。利用Gamma函数比不等式,导出Beta函数比不等式及Beta函数比的积分不等式,证明了无失效数据下失效概率的EBayes估计与多层Bayes估计渐近相等,且给出多层Bayes估计值小于EBayes估计值的一个充分条件。

无失效数据下液体火箭发动机可靠性多层Bayes估计

针对液体火箭发动机热试车过程中可能出现的无失效情况,在对寿命分布进行分析的基础上,确定了失效概率的多层先验分布,并给出了其Bayes估计。然后用最小二乘法给出寿命分布的参数估计,进而得到可靠度估计。最后通过随机模拟,讨论了文中c值的选取问题,证明了方法的可行性。

二项分布参数多层Bayes和E Bayes估计的性质

讨论无失效数据下二项分布参数E Bayes估计和多层Bayes估计的性质,证明二项参数的多层Bayes估计和E Bayes估计渐近相等,且E Bayes估计值小于多层Bayes估计值.

基于分级多层黑板模型的态势估计系统结构研究

分析了态势估计问题的本质特征和推理求解模式 ;在提出态势觉察、态势理解及未来态势预测三级态势估计概念基础上 ,提出了实现态势估计的多级多层黑板模型 ;并讨论了其体系结构及实现方法。

基于小波系数层间相关性的图像噪声方差估计

噪声的方差估计是含噪图像处理中的常见问题之一,其基本思想是通过某种方法寻找含噪图像中的"纯"噪声子图像来估计原噪声方差。传统方法是通过空域或频域采样,得到该子噪声图像,然后直接对其估计方差,它对图像信息的分布有要求。在传统频域采样方法的基础上,提出一种结合图像小波变换系数层间相关性的新方法。其过程是:对第一级有效小波分解的斜向子块进行分析,利用小波变换系数的层间相关性,去除其中的图像信息,得到更"纯"的子噪声块,再估计其方差。通过仿真实验和实际4 f系统输出图像实验证明,该方法比传统方法的估计结果更准确,更适合带宽较低的系统图像和图像本身高频信息较丰富的场合。

一种估计前馈神经网络中隐层神经元数目的新方法

前馈神经网络中隐层神经元的数目一般凭经验给出,这种方法往往造成隐单元数目的不足或过甚,从而导致网络存储容量不够或出现学习过拟现象.本研究提出了一种基于信息熵的估计三层前馈神经网络隐结点数目的方法,该方法首先利用训练集来训练具有足够隐单元数目的初始神经网络,然后计算训练集中能被训练过的神经网络正确识别的样本在隐层神经元的激活值.并对其进行排序,计算这些激活值的各种划分的信息增益,从而构造能将整个样本空间正确划分的决策树,最后遍历整棵树寻找重要的相关隐层神经元,并删除冗余无关的其它隐单元,从而估计神经网络中隐层神经元的较佳数目.文章最后以构造用于茶叶品质评定的具有较佳隐单元数目的神经网络为例,介绍本方法的使用.结果表明,本方法能有效估计前馈神经网络的隐单元数目.

基于Bayesian估计理论的GPS导航算法

当观测信息冗余度小或出现异常时,仅依靠GPS单历元数据难以获得可靠的定位结果,需借助历史信息改善定位精度和可靠性。导出了Bayesian递推算法的一般形式,建立了基于移动窗口的牛顿向前插值模型与常速度、二次曲线最小二乘拟合模型的先验信息获取方式,引入了当前历元相关观测方程的抗差估计,并采用实测GPS动态数据计算分析,结果表明:抗差估计能有效抑制粗差对GPS定位结果的影响;拟合模型对误差具有平滑作用,其中二次曲线模型明显优于常速度模型,但两者均需实时计算拟合系数;而牛顿向前插值模型系数恒定,计算简单,显著提高了定位精度及可靠性。