基于极大后验概率估计的高光谱图像融合算法研究

本文研究了基于PCA和极大后验估计的高光谱图像融合算法。该算法首先挖掘影像内在的观测模型,建立极大后验估计的目标函数。针对高光谱影像数据量大的特点,通过简化观测模型获得参数估计。融合实验结果表明,基于极大后验估计的高光谱影像融合算法不仅理论严密,而且图像融合效果较其他的增强方法的效果好。

后验概率图与补白模型二次融合的关键词识别

使用全连接神经网络结合Softmax分类器对汉语的408个音节建立音节分类器,利用等长处理后的特征向量训练Softmax分类器,将Softmax分类器输出概率作为后验概率图,与隐马尔科夫补白模型(HMM/Filler)进行第一次融合,得到子后验概率图隐马尔科夫模型(Posteriorgram-HMM).针对关键词训练样本较少的问题,将标注样本进行强制切分,得到HMM每个状态上的训练数据.将隐马尔科夫最大后验概率基线模型(HMM-MAP)与Posteriorgram-HMM进行第二次融合,提出最大后验概率图隐马尔科夫模型(Posteriorgram-HMM-MAP).在数据集上训练模型后,使用测试数据对其进行测试.结果表明:Posteriorgram-HMM-MAP的综合识别率相比PosteriorgramHMM提升了3.55%,相比HMM/Filler提升了10.29%.

超分辨率重构最大后验概率算法介绍

图像超分辨率重构(superresolution reconstruction,SRR)是一个利用序列图像来求解理想图像的逆过程,基本原理就是把各图像上由于亚像素位移而存在的互补信息融合到同一幅图像中,从而达到提高分辨率的目的。我们采用最大后验概率(maximum a posteriori,MAP)算法进行超分辨率重构。根据贝叶斯原理,高分辨率图像的后验概率等价于以下两项之积:已知理想高分辨率图像的前提下,低分辨率图像出现的条件概率;理想高分辨率图像的先验概率。MAP算法的基本思想就是在已知低分辨率图像前提下,使出现高分辨率图像的后验概率达到最大。该方法的优点是在复原过程中可以直接加入先验约束,能确保解的存在和唯一,降噪能力强和收敛稳定性高等。

Turbo码软输入/软输出最大后验概率译码模型

根据Turbo码软输入 /软输出译码结构 ,对其最优译码算法 :最大后验概率 (MAP)译码算法进行研究 ,探讨了软信息这一概念 ,并推导出SISO算法中用于迭代译码的软信息 ,从而建立了Turbo码最大后验概率译码的软输入 /软输出模型 .

一种基于MAP的超分辨率图像重建的快速算法

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准MAP估计算法运算量大的问题提出了两点改进.第1点是当计算梯度时直接计算目标函数的增量,避免了函数值的冗余计算;第2点是采用非精确一维搜索确定步长,避免了运算量庞大的海塞矩阵的计算.实验结果表明,提出的改进在保持重建效果基本不变的前提下,在很大程度上提高了MAP超分辨率图像重建方法的速率,与此同时保证了算法的收敛性.

基于MAP的高光谱图像超分辨率方法

高光谱图像得到了越来越广泛的应用,但较低的空间分辨率严重地影响着它的应用效果;其超分辨率方法受到学术界的高度重视,但一直没有得到很好的解决。为此重点研究了建立低分辨率资源图像与高分辨率目标图像之间的关系模型;引入关联感兴趣光谱端元的算子进行空间变换;应用最大后验概率(MAP)算法实现超分辨率复原。实验表明,该超分辨率方法具有超分辨率效果好、复杂度低、抗噪声性能强和保护感兴趣类别等优点。

拓展目标杂波概率假设密度估计

针对拓展目标概率假设密度滤波器中的未知杂波概率假设密度,提出了杂波概率假设密度估计算法。算法利用有限混合模型极大后验估计杂波概率假设密度,取混合权重的熵分布作为混合参数的先验分布;在渐进假设条件下,利用拉格朗日乘子推导了混合权重的递进估计公式;在混合权重递进估计过程中,通过混合权重置零操作来实现对有限混合模型中混合分量的删减。以二维场景为例对算法进行了仿真实验,结果表明:在拓展目标概率假设密度滤波器高斯混合实现的框架内,所提杂波概率假设密度估计算法的跟踪性能接近真实杂波概率假设密度时的跟踪性能。

基于VQ-MAP和SVM融合的说话人识别系统

针对传统支持向量机(SVM)在说话人识别中运算量过大的问题,提出了VQ-MAP和SVM融合的说话人识别系统。它应用仅自适应均值向量的最大后验概率矢量量化过程(VQ-MAP),来得到自适应的说话人模型,用此模型中的参数向量作为支持向量应用于SVM来进行说话人识别。用Matlab进行仿真实验,结果表明,基于VQ-MAP和SVM融合的说话人识别系统大大降低了运算量,SVM训练时间短,且具有较高的识别率。

单帧低分辨率图像的SFMAP高分辨率重建算法

卫星图像的超分辨率处理是基础性和标志性的空间技术。一般情况下很难得到可供处理的一序列卫星图像,单帧图像的超分辨率处理尤为重要。我们提出由单帧欠采样的低分辨率噪音卫星图像重建高清晰卫星图像的最大后验概率估计(SFMAP)算法。通过插值生成多帧低分辨率图像族,模拟亚像元位移的低分辨率图像,参与空域迭代过程,以满足其空域代数方程组的超定问题,在一定程度上解开输入低分辨率图像的混叠,得到高分辨率重建图像。实际处理显示出较好的效果。

一类统计模型相应风险的极小极大估计

关于风险估计,Bunke曾讨论了一类多参数控制的线性模型在带正定"加权"矩阵的二次损失函数下,最佳线性无偏估计量的极小极大性.然而,对于相应风险中具有大估计误差的不合理加权,上述损失函数已不适用.为此,本文提出了一类更为理想的二次损失函数,并在此损失函数下,对相关风险进行了极小极大估计与比较.讨论结果表明,本文提出的二次损失函数是合理与适用的.

概率假设密度高斯混合实现的分量删减

针对概率假设密度(Probability hypothesis density,PHD)高斯混合实现算法中的分量删减问题,提出了基于Dirichlet分布的分量删减算法以改进概率假设密度高斯混合实现算法的性能.算法采用极大后验准则估计混合参数,采用仅依赖于混合权重的负指数Dirichlet分布作为混合参数的先验分布,利用拉格朗日乘子推导了混合权重的更新公式.算法利用负指数Dirichlet分布的不稳定性,在极大后验迭代过程中驱使与目标强度不相关的分量消亡.该不稳定性还能够解决多个相近分量共同描述一个强度峰值的问题,有利于后续多目标状态的提取.仿真结果表明,基于Dirichlet分布的分量删减算法优于典型高斯混合实现中的删减算法.

异步多传感器的MAP航迹融合

异步航迹融合是多传感器跟踪系统的一个重要问题。针对实际应用中多传感器采样速率的不同步性,提出了多传感器系统存在反馈情况下异步多传感器的极大验后(MAP)航迹融合估计算法,分析表明,同步多传感器MAP航迹融合算法是该算法的一个特例;仿真计算也表明,该融合算法具有良好的估计精度。

垂直分层空时码的MAP检测器及其神经网络实现

该文基于最大后验概率准则,给出了垂直分层空时码的最佳检测箅法.算法对接收到的符号矢量的符号分量进行逐个地判决以使误符号率最小.同时还详细说明了径向基函数神经网络可以完全等价于最大后验概率检测算法,由于神经网络的硬件可实现性,本文提出的算法是可能在实际中应用的.

平衰落信道下ML和MAP信道估计与导频符号长度的关系性能比较

信道估计是无线通信系统必须加以解决的关键技术之一,采用导频符号辅助的方法进行信道估计是目前各类无线通信系统常用的方法。本文针对平衰落信道提出了最大似然(ML)算法和最大后验概率(MAP)估计算法,给出了ML估计和MAP估计之间的关系,仿真了MAP估计和ML估计的方差与导频符号长度的关系,提出当导频符号长度的取值超过20个符号长度时,MAP信道估计明显优于ML信道估计。

鲁棒概率矩阵三分解

矩阵分解是计算机视觉、机器学习和数据挖掘中经常使用的数据分析工具。近年来,矩阵分解的概率模型已成为人们关注的焦点。现有的概率矩阵分解一般将数据矩阵分解为两个低秩矩阵之积,这可能会限制该模型的灵活性和实用性。为此,提出了鲁棒概率矩阵三分解模型(RPMTF)。该模型将数据矩阵分解为三个矩阵的乘积,并考虑了其鲁棒性。在模型求解时,先将拉普拉斯分布进行分层表示;再采用基于极大后验估计的策略,设计了一种条件期望最大化算法。在实验中,将鲁棒概率矩阵三分解应用到图像去噪和视频背景建模中,结果证实了所提方法的可行性与有效性。

一种基于MAP的图像超分辨率重建算法

引入一种基于关键点滤波(Critical-Point Filters,CPF)的图像配准方法,并在最大后验概率(Maximum a Posteriori,MAP)框架下提出一种改进的集投影法(Projections onto ConvexSets,MAP/POCS)混合算法。算法把POCS的残差约束集合加入到基于CPF图像配准的MAP正则算法中,在每次迭代重建中对重建图像的像素点进行约束,充分利用这三种算法的优点。实验结果表明,相比于传统的重建方法,该算法能够更有效地表达视频中的非平移运动,超分辨图像主观质量有明显改善。

先验信息不完全的投资项目决策分析

项目投资决策的主要任务是进行项目经济评价和风险分析,以便作出是否投资项目的决策。现在关于投资决策分析的工作因而也主要集中在关于现金流的财务分析上。然而,投资项目的收益往往是状态相依的,项目的收益情况取决于项目实施的客观条件如市场销售情况等。能够准确地把握这些客观条件。

基于PSF重构和改进的最大后验估计的自适应光学图像复原算法

自适应光学(AO)系统为大气湍流提供实时补偿,但AO图像的对比度通常很差,这会导致图像质量下降。本文提出了一种基于点扩散函数(PSF)重构和改进的最大后验概率(MAP)估计的自适应光学图像恢复方法。首先,结合观测条件和AO系统的特点,建立基于波前相位信息的PSF重构模型;其次,基于本文提出的算法,建立了AO图像的迭代求解公式,实现多帧AO图像联合去卷积过程。为了验证本文算法的有效性,对仿真的退化AO图像进行了一系列复原实验。实验结果表明,以“Man”图像为例,与Wiener-IBD、RL-IBD及FS-MLJD算法相比,该算法的峰值信噪比(PSNR)测度分别提高了6.83%,4.47%和2.28%,拉普拉斯梯度模(LS)值分别提高了22.2%,17.9%和12.1%。本文的研究结果对实际的AO图像恢复具有一定的应用价值。

MLLR和MAP在远场噪声混响下的语音识别研究

自适应技术可以用较少的数据来调整声学模型参数,从而达到较好的语音识别效果,它们大多用于自适应有口音的语音。将最大似然线性回归(Maximum Likelihood Linear Regression,MLLR)、最大后验概率(Maximum A Posteriori,MAP)自适应技术用在远场噪声混响环境下来分析其在此环境下的识别性能。实验结果表明,仿真条件下,在墙壁反射系数为0.6,各种噪声环境下MAP有最好的自适应性能,在信噪比(Signal-to-Noise Ratio,SNR)分别为5 dB、10 dB、15 dB时,MAP使远场连续语音词错率(Word Error Rate,WER)平均降低了1.51%、12.82%、2.95%。真实条件下,MAP使WER下降幅度最大达到了37.13%。进一步验证了MAP良好的渐进性,且当自适应句数为1 000时,用MAP声学模型自适应方法得到的远场噪声混响连续语音的识别词错率比自适应前平均降低了12.5%。

基于MAP算法和高阶倒谱归整的电话语音识别方法

介绍一种融合最大后验概率算法和改进的高阶倒谱归整的抗噪声语音识别方法。将最大后验概率算法用于特征空间来估计电话通道特性(通道差的估计),用分段高阶倒谱归整进行后续补偿,可以同时减少电话语音中卷积噪声和加性噪声的影响。实验结果验证了该方法的有效性,与传统的倒谱均值减相比,训练库中识别率从46.3%提高到87.5%。