基于混合高斯密度模型和空间上下文信息的遥感影像变化检测方法及扩展

在运用混合高斯密度模型对差分影像建模的基础上,分别采用顾及上下文信息的概率松弛迭代法和马尔可夫随机场模型法进行影像的变化检测。首先,提出一种运用遗传K均值算法与EM算法联合解算高斯混合密度模型参数的方法,该方法可以自动地解算出模型的统计参数,结果与手工选择样本的解算结果完全一致。然后,比较概率松弛迭代法以及马尔可夫随机场模型法的影像变化检测效果,得出基于模拟退火法的马尔可夫随机场法效果较好的结论。最后,对传统的基于模拟退火法的马尔可夫随机场方法进行改进,提出了一种变权马尔可夫随机场方法,检测结果能更好地保持影像的结构性,并有效去除了孤立噪声。

顾及上下文信息的混合广义高斯密度模型遥感影像分类方法研究

提出了一种基于混合广义高斯密度模型(generalize Gaussian mixture model,GGMM),并顾及影像上下文信息的遥感影像分类方法。试验结果表明,该方法具有较强的鲁棒性,分类精度较传统的分类方法要好,在细节保持方面,较某些尺度上的面向对象的分类方法要好。

基于高斯混合密度模型的隐身目标RCS统计分析

为克服传统RCS起伏统计模型描述隐身目标起伏特性的不足,提出了一种将高斯混合密度模型(GMDM)应用于RCS统计分析的建模方法。根据典型隐身目标的仿真数据,分别建立了该目标在不同方位角范围内的2阶GMDM和χ2分布模型。拟合结果表明2阶GMDM在前侧向、正侧向和后侧向拟合误差分别为4.74%、12.34%和1.01%,而χ2模型的拟合误差分别为44.5%、18.65%和13.21%。同时,当拟合阶数超过4阶时,GMDM的拟合误差将稳定在5%以下,能够满足雷达目标仿真的精度需求。

基于高斯混合容积卡尔曼滤波的UUV自主导航定位算法

针对过程噪声为非理想高斯分布时无人水下航行器(UUV)自主导航定位存在噪声模型失配的问题,将高斯混合密度模型与容积卡尔曼滤波(CKF)相结合,设计了基于高斯混合容积卡尔曼滤波(GM-CKF)的UUV导航定位算法。建立了UUV运动模型及观测模型,利用CKF完成各高斯分量的预测更新,并将更新结果进行融合缩减与加权求和,从而实现UUV自主导航定位。通过与EKF、UKF和CKF算法仿真对比实验,验证了GM-CKF可以提高估计精度;通过UUV湖试试验,验证了基于GM-CKF的UUV自主导航定位精度和稳定性优于传统算法,其计算时间满足实时导航定位的要求。

基于高斯混合容积卡尔曼滤波移动机器人SLAM算法

针对移动机器人在陌生环境中的定位与地图构建(Simultaneous localization and mapping,SLAM)的问题,提出高斯混合容积卡尔曼滤波SLAM算法.将该算法与扩展卡尔曼滤波(extended karman filter,EKF)、容积卡尔曼滤波(cubature karman filter,CKF)进行实验对比,仿真结果表明GM-CKF的定位精度及算法运算速度高于其他两种算法.

基于密度峰值多起始中心的融合聚类算法

经典K-Means算法不能有效处理非球型数据集的聚类问题,且聚类目标数需预先指定。SMCL(Self-adaptive Multiprototype-based Competitive Learning)算法是一种K-Means的改进算法,它引入Multi-Prototypes机制,并将距离相近的Prototypes所代表的样本簇融合成聚类簇。在SMCL算法基础上提出DP-SMCL(Density Peak-SMCL)算法,使用密度峰值聚类算法确定初始聚类中心集,借助1-D高斯混合概率密度模型合并以Prototypes为中心的相近子簇来获得精确聚类结果。实验结果表明,DP-SMCL算法可应用于非球型数据集聚类,且能自动确认聚类的目标类别数,相比于K-Means和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等经典聚类算法能够获得更加准确的聚类结果。同时,与SMCL算法相比,DP-SMCL可以快速完成初始Prototypes的选定,显著提升算法准确率和执行效率。

一种运用纹理和光谱特征消除投影差影响的建筑物变化检测方法

针对不同时期高分辨率遥感影像变化检测中城区建筑物因投影差差异所产生的误检测现象,提出了一种综合应用光谱和纹理特征的建筑物变化检测方法。以变化和未发生变化地物影像的散度作为可分性依据,首先对光谱差分影像在混合高斯密度模型下建模,并采用马尔可夫最小错误概率准则提取初始变化区域,往往含有错判的建筑物。然后将误判建筑物影像类和真实变化影像类构成训练集,通过引入多通道Gabor滤波器,提取训练集的纹理差分特征,并采用分类别PCA变换实施纹理差分特征的选择。最后对选择出的纹理差分特征依据高斯混合密度模型建模,并用马尔可夫最小错误概率提取真变化区域,即可去除光谱信息检测所产生的伪变化。试验表明,本文方法能够较好地解决建筑物变化的错判问题,提高了影像变化检测的精度。

基于CGHMM的轴承故障音频信号诊断方法

轴承音频信号包含其运行状态的重要信息,通过分析这些信息就能对轴承故障进行有效诊断。率先引入基于连续高斯混合密度隐马尔可夫模型的轴承故障音频诊断方法,避免矢量量化带来的数据处理误差,提高了系统诊断精度;引入基于聚类算法的模型参数初始化方法和标定系数的前向-后向算法,简化系统复杂度,加快了训练和诊断速度,进一步提高了诊断精度。实验结果表明,诊断精度达到98.75%,具有很好的应用前景。

基于CHMM的雷达海面回波建模与分析方法

高分辨率雷达以低擦地角观测粗糙海表面时杂波幅度明显增强,产生海尖峰效应。海尖峰与平稳海杂波的统计特性差别显著,使用单一概率密度函数(PDF)的传统统计建模方法难以精确描述回波特性,尤其在回波中包含目标信号时,这种不适应更为严重。该文将连续型隐马尔可夫模型(CHMM)用于海杂波建模,把海面回波分为平稳海杂波、海尖峰和目标回波3个状态,使用高斯混合密度模型(GMDM)建立各状态观测值的连续PDF表达式,使用Baum-Welch算法对CHMM的参数进行计算和重估。同时,修正了基于GMDM的CHMM观测值状态联合概率公式,解决了GMDM参数迭代求解过程中的分母下溢出问题,为海杂波建模与分析提供了一种新的方法。最后对实际雷达采集数据的分析证明了该方法的有效性。

基于MFCC和HMM的气固流型辨识

针对气力输送管道中测控装置后常见的三种过渡流型,即中心流、环状流和层状流,采用静电传感器作为测量装置获得静电流动噪声信号,借鉴语音信号处理方法,提取静电流动噪声信号的梅尔频率倒谱系数(MFCC)及其一阶差分作为特征参数,用特征参数训练连续高斯混合密度隐马尔科夫模型(CGHMM),建立不同流型的模型库,再用训练好的CGHMM模型对提取的特征参数进行分类,进而实现流型识别.实验结果表明,该方法识别率达到98%,为气固流流型识别及气力输送测控装置提供了新的研究方法.

基于机器学习的云存储数据分段聚类方法仿真

针对传统的云存储数据分段聚类方法存在运行效率较低、聚类结果不够平滑等问题,提出一种基于机器学习的云存储数据分段聚类方法。从云存储数据库中合理抽取多个小数据集,小数据集包含云存储数据库中的所有自然簇,根据相似度定义构建相似度矩阵。采用非线性核主成分算法实现对相似度矩阵中数据相似度的测度,通过相似度测度将具有相同特征的数据归为一类,采用混合高斯分布概率密度模型计算不同类别数据的后验概率,通过对概率大小的比较实现云存储数据分段聚类。实验结果证明,所提方法能够缩短聚类运行时间,将聚类变化度降低到29%,有效提高了聚类结果的平滑度。

基于CGHMM的水泵在线状态监测研究

根据水泵运行时振动信号的特点,用短时傅里叶变换提取状态特征信息,引入基于连续高斯混合密度隐马尔可夫模型建立在线状态监测系统,针对水泵的状态识别实验结果表明,此方法具有一定的实用性。

状态加权合成的CGHMM训练算法

为了克服训练数据不足的问题,提出了一种新的方法——基于状态加权合成的连续高斯混合密度隐马尔可夫模型(continuous Gaussian mixture hidden Markov model,CGHMM)训练算法.首先对每一个待合并模型中的每个状态都选定一个权值,当对多个训练样本进行CGHMM参数重估时,每一次迭代过程都分别对每一个训练样本获取CGHMM参数,再使用仅仅取决于状态数的权值加以合并.最后,将此新算法应用于轴承故障诊断,并与经典CGHMM算法进行了比较.实验结果表明,新算法的诊断精度更高,输出概率更好,获得了更优的训练模板.

使用GA初始化CGHMM参数的轴承故障诊方法

连续高斯混合密度隐马尔可夫模型(Continuous Gaussian Mixture Hidden Markov Model,CGHMM)在故障诊断领域得到了广泛应用,取得了较好效果。CGHMM训练模型较大、局部最优,但模型参数初始化值会直接影响迭代收敛速度和模型效用。全局最优的遗传算法(Genetic Algorithm,GA)初始化CGHMM模型参数,为CGHMM训练提供了一个好的初始值,不仅可以加快收敛速度,还可以得到一个更好的模型。通过GA初始化CGHMM、CGHMM训练和CGHMM诊断过程等三个方面的仿真实验和比较分析可以得出,该方法具有训练速度快和CGHMM模型好的优点。在最后的CGHMM诊断仿真实验中,该方法诊断精度为100%,高于经典方法的96%,表明GA确实可以成功应用于CGHMM参数初始化,是一种可行的故障诊断方法。

多样本状态加权合成的CGHMM训练算法

为解决隐马尔可夫模型(HMM)中参数很多,实际当中难以提供足够多训练数据的问题,根据观察值序列的状态分布情况,描述了一种基于状态加权合成的连续高斯混合密度隐马尔可夫模型(CGHMM)训练算法,对多个CGHMM模型进行加权合成,并将此方法应用于轴承故障诊断进行仿真实验。实验结果表明,平均训练时间为12.86 s,诊断时间为0.189 s,诊断准确度为96%。可见,多样本状态加权合成的CGHMM轴承故障诊断方法确实有效可行,具有良好的应用前景。

音频水印非线性检测器的研究

研究了一种用于音频水印的非线性检测器。首先将音频信号进行离散余弦变换,并将变换系数按照绝对值进行排序,依据音频信息本身的特点选取中频系数嵌入水印信息,采用高斯混合概率密度模型来拟合加入水印的中频系数。其次,依据这种非高斯模型的特点,设计了一种非线性检测器来检测水印。实验表明这种非线性水印检测器具有很好的鲁棒性,对于加高斯噪声、重采样、重量化、MPEG压缩、Chebyshev低通滤波等多种攻击都具有较好的抗攻击能力。

多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。