基于巴氏系数的非高斯随机系统性能评估

针对非高斯随机系统的性能评估问题,克服巴氏距离无界性的缺点,提出了一种基于巴氏系数的性能评估指标。通过计算基准输出分布与实际输出分布之间的巴氏系数来反映给定系统的性能好坏。该指标能有效避免熵指标计算量大、计算时间长、均值漂移等缺点。为了更快速、准确地估计基准输出,提出了一种改进的混合EDA算法,结合WSA算法的思想来获取系统未知参数和扰动噪声PDF。最后利用Matlab/Simulink对单回路反馈控制系统在高斯和噪声干扰下进行仿真,验证了改进算法和新指标的有效性。

基于巴氏系数的变压器励磁涌流和故障差流识别新判据

传统变压器励磁涌流识别方法在复杂电磁环境以及电流互感器(CT)饱和等情况下会受到干扰而导致保护动作速度变慢或者误动。为解决此问题,提出一种利用电流波形分布特征识别励磁涌流的变压器差动保护新判据。结合巴氏系数图像匹配算法,对比差动电流和正弦信号的波形相似度以区分励磁涌流和故障电流。并利用PSCAD/EMTDC软件仿真以及动模试验验证了该判据在变压器空载合闸、区内和区外故障、带故障合闸以及CT饱和等工况下的有效性。

基于巴氏系数和Jaccard系数的协同过滤算法

针对传统基于邻域的协同过滤推荐算法存在数据稀疏性及相似性度量只能利用用户共同评分的问题,提出一种基于巴氏系数和Jaccard系数的协同过滤算法(CFBJ)。在项目相似性度量中,该算法引入巴氏系数和Jaccard系数,巴氏系数利用用户所有评分信息克服共同评分的限制,Jaccard系数可以增加相似性度量中共同评分项所占的比重。该算法通过提高项目相似度准确率来选取最近邻,优化了对目标用户的偏好预测和个性化推荐。实验结果表明,该算法比平均值-杰卡德差分(MJD)算法、皮尔森系数(PC)算法、杰卡德均方差(JMSD)算法、PIP算法误差更小,分类准确率更高,有效缓解了用户评分数据稀疏所带来的问题,提高了推荐系统的预测准确率。

融合巴氏系数的用户聚类Slope One算法

Slope One算法是一种基于项目的协同过滤推荐算法,该算法简洁高效,计算复杂度低.但是传统的Slope One算法对用户的评分数据进行了一致化的权重对待,没有考虑到用户之间的兴趣差异与各个项目之间的相似性差异,影响了推荐的准确度.基于此,分别在用户和项目两个维度上进行了改进,引入巴氏系数作为项目之间的相似性度量方法,并且在用户维度采用聚类方法消除用户行为习惯差异.最后,实验结果表明,提出的方法保证较低计算复杂度的前提下,在Movie Lens数据集中,MAE和RMSE两个指标上均有较高的推荐准确度.

一种巴氏系数改进相似度的协同过滤算法

针对传统协同过滤算法中评分数据稀疏性及所造成推荐质量不高的问题,提出一种巴氏系数(Bhattacharyya Coefficient)改进相似度的协同过滤算法。在基于近邻协同过滤算法基础上,首先利用Jaccard相似性来计算用户间的全局相似性;其次使用巴氏系数获得评分分布的整体规律,并结合Pearson相关系数来计算其局部相似性;最后融合全局相似性和局部相似性得到最终的相似度矩阵。实验结果表明,该算法在稀疏数据集上获得更好的推荐结果,有效地缓解了评分数据稀疏性问题,提高了推荐的准确度。

一种基于改进的巴氏系数的协同过滤推荐算法

传统基于邻居的协同过滤推荐方法必须完全依赖用户共同评分项,且存在极为稀疏的数据集中预测准确性不高的问题。巴氏系数协同过滤算法通过利用一对用户的所有评分项进行相似性度量,可以有效改善上述问题。但该种方法也存在两个很明显的缺陷,即未考虑两个用户评分项个数不同时的情况以及没有针对性地考虑用户偏好。在巴氏系数协同过滤算法的基础上进行了改进,既能充分利用用户的所有评分信息,又考虑到用户对项目的积极评分偏好。实验结果表明,改进的巴氏系数协同过滤算法在数据集上获得了更好的推荐结果,提高了推荐的准确度。

结合巴氏系数和灰度共生矩阵的遥感影像分割

针对遥感影像纹理信息丰富的特点,以及传统分水岭变换用于遥感影像分割容易出现过分割的问题,提出了一种基于巴氏系数和灰度共生矩阵的区域合并方法改进分水岭算法的分割结果。首先,利用数学形态学的方法提取原始影像的梯度图像,并且从梯度图像中获取标记;其次,在标记的梯度图像上进行分水岭变换,得到初始分割图像;最后,利用所提出的结合巴氏系数和灰度共生矩阵的区域合并方法对过分割区域进行合并,得到最终分割结果。实验结果表明,该算法既能得到连通,封闭的分割轮廓,还能有效解决分水岭分割算法的过分割问题,得到了较为准确的分割结果。

基于巴氏系数和信息熵的协同过滤算法

为改进传统协同过滤算法的推荐质量,文章提出一种考虑巴氏系数和信息熵的协同过滤算法。首先通过巴氏系数和项目相关性权重建立用户相似度模型;其次,通过信息熵衡量用户在评分分布上的相似度,引入用户相近度、同类性和交叠度因子,挖掘用户多维评分特性;然后,以参数调节两种相似度计算模型的重要程度,形成综合推荐模型;最后,在两种数据集中对比四种算法的推荐表现。研究表明,该算法的MAE和Top-N结果准确度均优于传统的协同过滤算法,具有更好的推荐效果。

融合巴氏系数和杰卡德系数的图像相似度算法

针对颜色特征提取时空间信息缺失问题,提出一种融合杰卡德系数和巴氏系数的图像相似度度量算法。通过巴氏系数求出全局相似度,使用杰卡德系数计算图像局部相似度在融合相似度中所占比例,同时引入修正余弦系数减少噪声干扰,最终作为融合相似度进行图像检索。实验结果表明,该算法的平均检索准确率均高于其他图像检索算法,具有良好的检索性能。

利用巴氏系数判定模型更新的视觉跟踪算法

在视频跟踪时,传统的粒子滤波算法在目标区域出现遮挡、光照变化等情况下通常存在鲁棒性较差的问题,因此提出一种采用巴氏(Bhattacharyya)系数判断模型更新时机的鲁棒视觉跟踪算法。算法以粒子滤波算法为框架,每隔一定帧数抽样检测目标变化,利用当前模型与候选模型之间的巴氏系数统计特征的相似性,从而判断更新时机。仅当目标姿态逐渐改变且无背景干扰时更新目标模型;在发生遮挡或光照改变较大时则不更新,保持当前模型继续跟踪。算法判断是否出现影响目标的匹配因素,从而适时采取模型更新策略。实验结果表明,本算法通过选择性更新模型,在未考虑尺度变化的情况下,能够更加有效地抑制背景干扰和避免模型漂移,在诸多复杂场景中具有一定的鲁棒性。

基于BM25聚类与巴氏系数相似度改进的推荐算法

推荐算法的目的是给用户推荐潜在的感兴趣的物品和信息,在传统的算法设计中,由于数据稀疏和冷启动等因素往往给推荐带来较大误差,依靠传统的用户项目数据评分来计算相似度已经难以达到让人满意的推荐效果。本文引入BM25算法对计算用户和词素之间的相关性得分具有较准确效果。在用户项目评分矩阵和项目关键词矩阵的基础上,形成用户关键词矩阵,挖掘出用户对关键词的喜爱,继而完成用户兴趣聚类。引入巴氏系数,可以解决用户在没有共同评分项目情况下用户相似度计算问题。利用巴氏系数改进相似度,在类簇中找到与用户最相似的邻居集,产生有效推荐。对MovieLens数据集进行实验的结果表明,无论在准确率或召回率等实验测评中,该算法相比于传统的基于用户和基于物品等协同算法的实验结果都显著提高。

基于巴氏系数与矩阵分解的推荐算法

针对传统的协同过滤算法的数据稀疏性以及相似度计算中对用户的共同评分项过度依赖问题,提出一种改进相似度与矩阵分解的协同过滤推荐算法。首先,利用矩阵分解对用户评分矩阵降维处理,缓解数据稀疏对推荐准确率的影响;其次,将巴氏系数融入到用户的相似度计算公式中,解决传统计算方法中依赖于用户间的共同评分信息的问题,并将用户属性相似度与改进的相似度加权融合,解决系统新用户的评分数据稀少问题;最后,根据预测评分给目标用户生成推荐。将该算法在MovieLens数据集.上与传统协同过滤算法、基于巴氏系数与用户属性改进的算法以及基于矩阵分解的推荐算法进行准确率、召回率、F1值对比分析。实验结果表明,当邻居个数为25时,与后三种算法相比,所提出算法的准确率分别提高了38.89%、37.97%、33.71%;召回率分别提高了38.92%、38.05%、33.84%;F1值分别提高了38.88%、38.02%、33.74%。

融合巴氏系数的加权Slope One算法

针对用户共同评分很少甚至没有时,传统相似度计算性能较差的问题,以及传统加权slope one算法在进行预测评分时未考虑项目相似度对预测结果的影响,提出一种融合巴氏系数的加权slope one算法(BCWSOA)。该算法主要针对上述两个问题进行改进,一是利用巴氏系数对用户相似度进行改进。首先用皮尔逊相关系数计算用户局部相似度,Jaccard相似性计算用户全局相似度,巴氏系数分析用户相关性,然后将巴氏系数作为权重因子优化用户局部相似度,最后使用参数α组合优化用户局部相似度和用户全局相似度,从而获得融合相似度。参数α用来凸显不同相似度在融合相似度中的权重;二是利用巴氏系数改进预测评分,考虑项目相似度对预测结果的影响,计算项目相似度并将其作为权重改进加权slope one算法预测评分公式。通过在MovieLens100k数据集上的实验表明,相比于其他算法,提出的BCWSOA算法准确度有所提高。

基于巴氏系数的协同过滤算法

为了克服协同过滤算法的稀疏性问题和传统相似度计算方法过度依赖共同评分的问题,本文引入巴氏系数改进修正余弦相似度,进而提出基于巴氏系数的协同过滤算法(CFBC)。改进的算法考虑了项目全局评分信息和局部评分信息,克服了对于共同评分项的依赖。为了证明CFBC算法的有效性,我们基于已有的相似度计算方法实现了协同过滤算法,实验结果表明CFBC算法提高了推荐的准确性。

基于改进巴氏指标和模型更新的视觉跟踪算法

传统的Mean Shift算法采用巴氏系数度量模型与候选模型之间的统计特征相似性,但是由于背景特征的影响,有时应用巴氏指标进行匹配得到最优解的位置并不一定是目标的实际位置,在跟踪过程中可能导致目标定位出现偏差。该文提出一种改进的巴氏系数相似度指标,指标由于引入了前景/背景置信值,能够有效抑制待匹配区域中背景特征的影响,突出目标特征的权重,与原始的巴氏指标相比,明显提高了目标匹配的准确性。基于改进的巴氏指标,对目标与背景区域双模型相似度系数进行综合分析,合理地判断干扰目标匹配的原因,从而采取相应的模型更新策略。采用4段具有挑战性的视频序列对5种跟踪算法进行了测试,通过定量实验分析可知,文中算法处理1帧视频所需的平均时间为75.76 ms,实时性仅次于原始的Mean Shift跟踪算法,同时跟踪误差在5种跟踪算法中取得了最优结果。实验结果表明,该算法能够有效抑制背景干扰和避免模型漂移,在不同的复杂场景下都具有一定的鲁棒性。

基于Jaccard的协同过滤刀具推荐算法

针对目前系统给用户推荐刀具的准确率不高的问题,提出基于Jaccard的协同过滤刀具推荐算法。首先,通过用户对刀具进行评分;其次,引入巴氏系数和KL散度,充分考虑用户的所有评分信息,来解决受共同评分项的限制的问题;最终给目标用户推荐刀具。实验结果表明,该协同过滤算法在稀疏数据集上获得很好的推荐效果,提高了推荐准确率。

基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法

针对尺度不变特征变换(scale invariant feature transform,SIFT)算法在特征点匹配时容易出现误匹配现象,提出了一种基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法。该算法首先通过对SIFT描述子区域内的重叠4邻域计算Hu矩,生成能够描述纹理特征与轮廓特征的种子点描述子;其次,根据描述子的区域特点利用核函数对种子点描述子进行加权,生成63维区域重叠核加权Hu矩描述子;最后用巴氏(Bhattacharyya)系数计算归一化后描述子的相似度,并剔除相似度较小的匹配点。将该算法与其他3种算法进行对比,实验结果表明,该算法的鲁棒性最强,实时性较高,综合性能最优。

有干扰的控制系统故障可诊断性量化评估

故障可诊断性的量化指标在控制系统设计过程中极为重要.为此,我们提出了一种适用于线性动态系统的故障可诊断性量化评估方法.考虑到过程和观测噪声等干扰因素对评估结果正确性的影响,我们采用等价空间方法获取系统输入/输出与故障之间的解析冗余关系,将故障可诊断性评估问题转化为概率统计中多元分布的差异度判别问题.引入巴氏系数(Bhattacharyya coefficient,BC)对多元分布之间的差异度进行量化,通过严格的数学证明得到可诊断性量化指标,并给出具体评估流程.以卫星姿态控制系统为仿真算例,将本文所提评估方法应用于该系统;仿真结果表明:该方法能够在不依赖于任何诊断算法的前提下,定量分析故障诊断的难易程度.

基于熵优化近邻选择的协同过滤推荐算法

协同过滤推荐系统的近邻选择环节中不仅没有考虑目标项目对用户间相似性计算的影响,而且也未考虑邻居用户对目标用户的推荐贡献能力,导致既降低了相似性计算的准确性,也提高了近邻集合中伪近邻的比例。针对这些问题,提出了一种基于熵优化近邻选择的协同过滤推荐算法。算法使用巴氏系数计算项目间相似性,并以此为权重加权计算用户间相似性。引入熵描述用户评分分布特性,根据评分分布差异性衡量邻居用户的推荐贡献能力。最后,利用双重准则共同计算推荐权重,并构建近邻集合。实验结果表明,该算法能够在不牺牲时间复杂度的条件下准确地选取近邻集合,提升推荐准确度。

红外图像目标跟踪在智能网联汽车的应用研究

过去采用数据融合方法进行的汽车目标跟踪,未对目标图像信息有效处理,图像噪声影响较强,无法准确的对目标实施识别和跟踪,研究红外图像目标跟踪在智能网联汽车的应用过程,采用红外图像成像原理获取智能网联汽车的目标红外图像,通过滤波降噪、图像增强和图像分割操作降低红外图像的噪声、增强目标与背景对比度,实现目标与红外图像背景的有效分割;在此基础上,采用均值漂移目标跟踪算法,在新的红外图像中确定目标待选位置,并确保描述目标直方图与备选目标直方图概率分布相似度的巴氏系数最大,实现智能网联汽车对目标的准确跟踪。实验结果说明,红外图像目标跟踪在提升智能网联汽车目标识别结果上有显著作用,识别简单场景和复杂场景目标的正确率分别为0. 966和0. 565,都高于数据融合方法,且目标跟踪效率高。