离散-连续混合多尺度模型在计算流体力学中的应用进展

综述离散-连续混合多尺度模型在计算流体力学中的应用研究进展,介绍混合多尺度模型的研究意义、建立方法及发展进程;重点评述混合直接蒙特卡洛方法及纳维叶-斯托克斯方程的方法在稀薄气体流动研究中的进展和混合分子动力学方法及纳维叶-斯托克斯方程的方法在纳微液体流动研究中的进展;简单介绍其他混合多尺度方法;总结混合多尺度模型的优缺点并展望其未来研究方向。

基于多尺度混合模型多特征融合的单目标跟踪

为实现高动态环境中的目标跟踪,本文提出了一种基于多尺度混合模型多特征融合的单目标跟踪算法。该算法自适应提取并融合多种图像特征从而实现复杂环境中的目标实时跟踪。针对图像目标的高动态特性及环境遮挡等问题,算法通过计算当前观测样本的置信度完成模板的自适应更新。利用国际计算机视觉学会目标跟踪数据库中具有典型特征的十个标准视频对跟踪算法进行测试。测试结果表明,在高动态环境及目标存在大变形情况下,本文提出的跟踪算法比同类算法的跟踪精度有显著提高。

高速列车撞击盾构隧道的混合多尺度动力分析模型

列车脱轨会对隧道结构产生重大损害,为此提出一种在保证计算精度的前提下能大幅度提高计算效率的列车撞击盾构隧道混合多尺度动力分析模型,以降低列车脱轨事故的潜在风险。首先,建立考虑管片接头效应的常规非多尺度模型及2种单一多尺度模型(同类型单元粗细网格耦合多尺度模型和不同类型单元壳-体耦合多尺度模型),通过3种模型的管片静力学试验结果对比分析,验证2种单一多尺度模型的适用性;然后,将2种单一多尺度模型结合成混合多尺度模型,应用于列车撞击盾构隧道动力分析中,并与采用常规非多尺度模型的计算结果进行对比。结果表明:在静力荷载下,2种单一多尺度模型在位移、应力及损伤面积的分布规律上与常规非多尺度模型一致,计算值误差均在3.5%以内,且计算时间缩短了50%左右;在撞击荷载下,混合多尺度模型与常规非多尺度模型计算所得的管片位移和拉压损伤发展规律一致,但混合多尺度模型计算数值偏大,除拉伸损伤面积误差为8.56%外,其余结果误差均在5%以内;混合多尺度模型在保证计算精度的前提下,将计算时间缩减了62.4%,为类似问题提供了更为高效的解决方案。

基于广义多分辨似然比和混合多尺度自回归预报模型的图像无监督分割

提出广义多分辨似然比(generalized multiresolution likelihood ratio,简称GMLR)的概念,给出其Bayes准则下的假设检验和判别准则。GMLR不仅能融合信号的多个特征量,增大不同信号间区分度,而且在融合时无需假定各特征量之间的相互关系,这使得它能进行比较精确而方便的判别分析。在SAR(synthetic aperture radar)图像分割应用背景中,利用混合多尺度自回归预报(mixture multiscale autoregressive prediction简称MMARP)模型估计预报图像的GMLR的原假设和备择假设参数,然后将判别准则应用到预报图像,从而对原SAR图像进行分割。实验与几种流行的SAR图像分割方法进行了比较,结果表明了该理论方法的显著性:不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度考虑,都优于上述通常的分割方法。

SAR图像无监督分割的空间变化混合MAR模型方法

提出SAR(Synthetic Aperture Radar)图像的空间变化混合多尺度自回归(Spatially Variant Mixture Mul-tiscale Auto Regressive,SVMMAR)模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性;采用的分类器是像素标号的极大似然估计,细化的同时简化了传统Bayes分类器;该模型无需预先抑制斑点噪声,就能获得精确分割结果;并且理论上证明了在图像粗尺度确定分类个数的合理性,在此基础上提出一种在粗尺度确定分类个数的新方法,大大减少了运算量.

基于遗传算法的SAR图像多尺度分割

基于最大期望(EM)算法与遗传算法(GA),提出一种有效的多尺度SAR图像无监督分割方法。该方法首先利用混合多尺度自回归(MMAR)模型描述SAR图像中由于雷达斑点所引起的不同尺度和同一尺度内像素之间的统计相依性;然后将GA与EM结合给出MMAR模型的参数估计算法。这种算法利用最小描述长度(MDL)准则,能够选择模型的分量数;最后利用Bayes分类器实现图像的分割。该方法集遗传算法和EM算法的优点,对初始值有较少的敏感性,避免局部最优解,提高了分割精度。实验结果表明GA-EM方法优于EM算法。

基于广义多分辨似然比的SAR图像无监督分割方法

首先在多分辨四叉树上定义了一个广义多分辨似然比,刻画并且累积了SAR(syntheticaperture radar)图像中目标与背景在不同分辨率上的差异,从而增大了目标与背景之间的区分度。为了达到图像无监督分割目的,提出一个有效的空间变化混合多尺度自回归(spatially variantm ixture m u ltiscale autoregressive简称SVMMAR)模型方法,利用该模型分别估计出每个分辨率上广义多分辨似然比中一组密度函数的参数。为了考虑被分类象素与周围象素之间的M arkov性,减弱对噪声的敏感性,利用开窗技术来确定中心象素点的类别。实验中与通常的分割技术作了比较,也表明该方法不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度都表明该方法具有较强优势。