基于可靠度差值特征的自适应判决多元LDPC译码算法

利用变量节点符号可靠度在迭代过程中的分布特征,提出了一种基于可靠度差值特征的自适应判决多元低密度奇偶校验(Low Density Parity Check, LDPC)译码算法。整个迭代过程划分为两个阶段,针对不同阶段节点可靠度的差值特征分别采用不同的判决策略:前期阶段,采用传统的基于最大可靠度的判决策略;后期阶段,根据最大、次大可靠度之间的差值特征,设计自适应的码元符号判决策略。仿真结果表明,所提算法在相当的译码复杂度前提下,能获得0.15~0.4 dB的性能增益。同时,对于列重较小的LDPC码,具有更低的译码错误平层。

分形图像编码中的特征差值分类法

基于分形的图像编码方法具有高压缩比、分辨率无关性、快速解码等优越性质 .编码时间过长是分形图像压缩的主要缺点之一 ,对定义域和值域的分类匹配搜索能够有效地加速编码过程 ,是解决上述问题的重要手段之一 .在简单介绍当前常用的分类算法的基础上 ,基于分形编码的收缩特性提出一种特征差值分类算法 ,该方法原理简单 ,实现方便 ,灵活性强 ,能够和多种其它算法相结合 ,有效地排除不符合收缩特性的“伪匹配”,快速找到最优的匹配 ,节约编码时间 。

自动站与人工站观测数据差值的统计特征

作者通过详实的统计分析,揭示了自动观测和人工观测两种方式在四个基本地面要素上存在着不同程度的系统偏差和不可忽视的偶然偏差,这些偏差具有明显的季节变化和日变化特征,并指出由于一些相当明显的偶然偏差的存在,直接应用自动站数据会对建立在过去人工观测数据基础之上的气候统计分析、天气预报方程及天气气候预测评定带来一定的不利影响,相关人员在应用自动站数据进行气候变化分析、制作天气气候预测时应对资料做适当地处理。

一种深度图像特征的建筑物内行人检测方法

针对传统建筑物内行人检测算法复杂背景遮挡、光照影响等导致的检测不准确、效率低等问题,提出一种基于深度差值及方向梯度特征的行人检测算法.利用Kinect采集图像,在深度图像中对深度差值及方向梯度进行计算,通过滑动窗口对整个深度图像进行特征提取,获得特征向量,并利用主成分分析法降维.最后利用随机森林选取分类能力较强的特征并进行分类,实现训练及检测.在不同背景及光照条件下进行检测实验,平均检测率达到87.89%,平均每帧检测时间为0.121s.将本方法与GEBCF(泛化和检测平衡共生特征)及FCF(滤波通道特征)算法对比,检测率分别提高0.92%、0.68%.实验结果表明本方法有效提高了行人检测的准确率,具有更高的检测效率,能快速、准确地检测行人.

基于随机森林回归的人脸特征点定位

针对人脸特征点定位容易受到人脸姿态、表情、光照和遮挡等因素影响的问题,提出了一种基于随机森林回归的特征点定位方法。采用像素差值特征在每个特征点建立随机森林模型,由森林模型回归得到训练样本的估计形状;对训练样本的估计形状与真实形状进行线性最小二乘拟合,得到一个全局优化模型;再利用模型对测试样本特征点位置进行回归估计及形状优化,从而实现了人脸特征点的自动定位。该方法采用相对误差小于0.1的衡量标准,在MATLAB R2009a平台实验,Helen和LFPW数据库上测试,两个数据库的样本定位正确率均超过95%,平均定位速度为9.3 fps,且训练模型仅为5.4 MB。实验结果表明:提出的方法能够很好地适应人脸姿态、表情、光照和遮挡等因素的影响,同时训练模型小,且有效地提高人脸特征点定位的精度和速度。

基于入站干信比差值的干扰源定位方法研究

提出了一种基于入站干信比差值的干扰源定位方法并进行了相关论证分析,该方法适用于单颗卫星具有多个同频转发器且上行分波束覆盖服务区的卫星系统,并具有定位时间短等优点;针对先验数据较少的情况,设计了曲线拟合法实现定位,给出的实验数据证明了该方法的有效性。

不同土地利用格局下地表径流对降水特征的响应

基于设定的试验区和南京市一年的真实降水数据,在SWMM模型中设置传统土地利用开发建设格局S1和最优土地利用格局S2两种土地利用情景,采用SPSS软件定量分析了降水特征对地表径流的响应。结果表明,S2能有效降低地表径流量,但在降雨量、降雨强度较大时,其地表径流的消减作用会显著降低,甚至会出现增加径流量的情况,表明仅通过土地利用格局的优化尚无法应对由强降雨造成的城市内涝问题;径流特征受多个降水特征的综合影响,其中总径流差值与降雨历时、降雨量及降雨重现期三者所构成的回归方程拟合优度最高。

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。