基于广义判决分析的图像拼接检测最优类色度通道设计方法

针对图像拼接检测问题,该文提出一种基于广义判决分析(GDA)的最优类色度通道设计方法。将最优类色度通道的设计建模为一个以GDA识别力为目标函数,以类色度通道参数范围为约束条件的最优化问题,通过网格搜索和梯度上升法求解最优类色度通道参数。在哥伦比亚图像拼接检测评估库中的实验结果显示,目前4种主流的图像拼接检测方法在最优类色度通道上的识别率均高于已有的颜色通道,验证了该方法的通用性和有效性。

低信噪比下RSC码快速迭代寻优识别算法

为了解决现有算法在RSC码多项式参数识别过程中,实时性不好和容错性差两大缺点,提出了具有低信噪比适应能力的RSC码快速迭代识别算法.首先根据RSC码元之间的线性约束关系,定义了双曲正切符合度概念,该概念能够表征在某一多项式参数下,截获码元之间的线性关系成立的可能性大小;其次将截获码元总的双曲正切符合度值作为代价函数,然后将待识别的多项式参数的概率值作为代价函数自变量,从而将RSC码参数识别问题转化为多元函数极大值求解问题;最后利用变步长梯度上升方法,在有限次的迭代下,完成在连续概率空间中代价函数极大值求解,最终完成RSC码参数识别.提出的算法收敛速度快且稳定,除了具有较强的低信噪比适应能力外,其计算量与编码器寄存器个数以及码元路数成平方倍数增长.仿真实验表明:提出的算法最多在第5次迭代时,就能完成参数的收敛,同时低信噪比的适应能力较强,即使在0dB条件下,RSC码多项式参数识别率能达到90%以上;与现有的相关算法相比,所提算法的低信噪比适应能力提高了近3dB,同时完成一次参数识别的时间大大降低.

变尺度正交基函数分解对异常信号的探测方法

针对现有的正交基函数(OBF)分解对水下目标磁异常信号的检测,需要知道目标与探测路线上CPA点的距离R0,而实际探测过程中对目标的先验信息掌握有限,所以无法准确知道距离R0的问题。文中基于标准正交基函数分解的方法,通过对其基函数的改造,提出了变尺度正交基函数(VSOBF)分解的方法。该方法能够在检测过程中对距离R0进行估计,并利用梯度上升法提高了计算速度、精度。仿真验证表明,在R0=300 m情况下,R0est的绝对误差在50 m范围内的概率为93%,并且该检测算法能够在-10 dB的信噪幅度比下较好地检测出磁异常信号。

各向异性带宽自适应水面运动目标跟踪算法

传统Mean-Shift跟踪算法缺少核函数带宽更新策略,故无法解决无人艇跟踪的水面运动目标轮廓变化各向异性问题,提出一种各向异性带宽自适应的Mean-Shift跟踪算法。先用黎曼积分将特征子模型概率密度的归一化常数C_h近似为积分形式,从而获得不同尺度参数h对应的C_h间关系式。然后用梯度上升法使目标模型和目标候选模型之间的相似度函数达到局部最大,由此估计目标在下一帧的带宽与位置。最后为防止带宽更新时结果过小或过大,引入两个正则化参数修正尺度参数。实验结果表明,所提算法对外形轮廓非同比变化的水面运动目标跟踪具有各向异性的带宽自适应调节能力,型心位置准确率较传统Mean-Shift和各向同性带宽自适应Mean-Shift提高了约77.2%和31.1%,运行速度可达20.7 fps,显示了其鲁棒性和实时性。

结合面微观接触面积分布数值仿真分析方法

机械系统中结合面的接触状态会显著影响装配体动力学特性,结合面接触面积是描述接触状态的关键参数。分形接触模型是结合面分析中的常用方法,经典MB接触模型将结合面简化为刚性平面与粗糙面接触,以W-M分形函数描述粗糙面轮廓曲线,利用岛屿面积分布规律描述接触点面积分布,但以往研究并未分析该分布是否符合分形函数描述的粗糙面。因此提出求解W-M函数所描述轮廓的接触面积分布规律的数值仿真方法。根据粗糙表面形貌分形特征的有限性,将粗糙轮廓描述为连续可导的曲线,利用曲线与直线相交模拟粗糙面与平面的接触。利用梯度上升算法求出所有极值并计算各微凸体截线长度,进而获得面积的离散分布,分别以Majumdar与Komvopoulos提出的面积分布函数形式拟合离散点。结果表明前述分布规律符合数值仿真法求得的接触点面积分布,但存在更准确的分布函数形式。同时,该方法有望用于求解两粗糙面接触模型的面积分布,为进一步研究两粗糙面间的接触状态提供思路。

主子空间跟踪信息准则及算法

信息准则在发展主子空间跟踪算法中具有十分重要的意义.目前,主子空间信息准则还不多见,为此本文提出了一种新型的主子空间跟踪信息准则.当且仅当神经网络权矩阵收敛到信号主子空间的一个正交基时,该信息准则取得唯一全局极大值.通过梯度上升法对该信息准则求极值导出了一个主子空间跟踪算法.最后通过仿真实验和实际应用证明了所提算法的正确性和实用性.

基于Logistic回归的零件图像区域提取

针对机器人自动化生产线中视觉定位零件的问题进行了研究,为了能够快速地在复杂背景中提取出零件图像区域,提出了一种基于Logistic回归的零件图像区域提取的机器视觉算法。首先,在工作场景图像中采集若干正类和负类样本点;然后,将样本点的BGR值进行格式上的整理并保存;其次,将整理的数据代入按照梯度上升法推导的公式中,计算Logistic最佳回归系数;最后,载入待处理图像,使用Logistic回归分类器对其中的每个像素进行分类,提取出零件区域。实验表明,该算法提取出的零件图像区域边缘清晰,实时性高,且由于输入为像素点的BGR值,所以对零件的外形没有要求,也不需要额外的夹具。

基于权值变化的BP神经网络自适应学习率改进研究

针对传统神经网络的学习率由人为经验性设定,存在学习率设置过大或过小,容易导致无法收敛或收敛速度慢的问题,本文提出基于权值变化的自适应学习率改进方法,改善传统神经网络学习率受人为经验因素影响的弊端,提高误差精度,并结合正态分布模型与梯度上升法,提高收敛速度.本文以BP神经网络为例,对比固定学习率的神经网络,应用经典XOR问题仿真验证,结果表明本文的改进神经网络具有更快的收敛速度和更小的误差.

基于受限玻尔兹曼机的电力信息系统多源日志综合特征提取

为了充分利用电力信息系统中的异构数据源挖掘出电网中存在的安全威胁,本文提出了基于受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的多源日志综合特征提取方法,首先采用受限玻尔兹曼机神经网络对各类日志信息进行规范化编码,随后采用对比散度快速学习方法优化网络权值,利用随机梯度上升法最大化对数似然函数对RBM模型进行训练学习,通过对规范化编码后的日志信息进行处理,实现了数据降维并得到融合后的综合特征,有效解决了日志数据异构性带来的问题.通过在电力信息系统中搭建大数据威胁预警监测实验环境,并进行了安全日志综合特征提取及算法验证,实验结果表明,本文所提出的基于RBM的多源日志综合特征提取方法能用于聚类分析、异常检测等各类安全分析,在提取电力信息系统中日志特征时有较高的准确率,进而提高了网络安全态势预测的速度和预测精度.