Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。

基于背景优化的Mean Shift目标跟踪算法

针对传统的Mean Shift算法在目标快速运动且背景区域变化较大时,容易丢失跟踪目标的问题,提出了一种基于背景优化的Mean Shift目标跟踪算法。该算法引入混合直方图并对直方图重新量化,再通过减少背景像素在概率密度函数(PDF)中的权重来对背景进行优化,从而降低背景区域对跟踪的影响。实验结果表明,当目标快速运动,且背景区域变化较大时,该算法仍然能够实现对运动目标的准确跟踪。

一种基于背景优化的高效联邦学习方案

联邦学习因其在客户端本地进行数据的训练,从而有效保证了数据的隐私性和安全性。对于联邦学习的研究虽然取得了很大的进展,但是,由于非独立同分布数据的存在以及数据量不平衡、数据类型不平衡等问题,客户端在利用本地数据进行训练时不可避免地存在精确度缺失、训练效率低下等问题。为了应对联邦学习背景环境的不同导致的联邦学习效率降低的问题,文中提出了一种基于背景优化的高效联邦学习方案,用于提高终端设备中本地模型的精确度,从而减小通信开销、提高整体模型的训练效率。具体来说,在不同的环境中根据精确度的差异性来选择第一设备和第二设备,将第一设备模型和全局模型的不相关性(下文统称为差异值)作为标准差异值;而第二设备是否上传本地模型则由第二设备和第一设备之间的差异值决定。实验结果表明,与传统的联邦学习相比,所提方案在普通联邦学习场景下的表现明显优于联邦平均算法,在MINIST数据集上,其精确度提高了约7.5%;在CIFAR-10数据集上,其精确度提高了约10%。

基于背景优化和模型更新的目标跟踪算法

针对传统Mean Shift跟踪算法在进行目标跟踪时,由背景因素带来的定位偏差和缺乏相应的模型更新策略而易陷入局部最小值的情况,提出了两方面的改进措施。一方面在建立目标模型时,对背景像素建立新的模型以弱化对目标模型的影响,另一方面在跟踪过程中,融合目标颜色特征和连续两帧目标中心的欧氏距离动态的决定目标模型更新策略。实验结果表明,该算法在目标姿态、环境光照变化强烈时均能取得较好的跟踪效果。

分析研究、背景优化——高中数学新课程背景下的函数的分析探究

在高中数学知识链中,函数的重要性不言而喻,但函数究竟是什么,它在现实中的应用价值在哪里？让高中生认识到函数真正的意义与作用,对于他们学好函数,用好函数,甚至是学好数学十分关键.本文以新课标为背景,结合教学实践,对如何优化高中函数教学进行了分析研究.

论我国政策工具应用背景的优化

自20世纪80年代政策工具研究产生以来,政策工具应用背景的研究在政策学理论研究中越显重要,特别是在突发事件频繁爆发的21世纪,政策工具应用背景研究备受人们的关注。在总结国内外学者关于政策工具应用背景理论的基础上,探讨我国政策工具应用背景的意义和特点,并提出优化我国政策工具应用背景的建议和意见。

背景值优化的多点灰色模型在滑坡变形预测中的应用

滑坡变形是一个高度复杂的非线性过程,常用的单点灰色预测模型没有充分利用各变形监测点间的相关信息,不足以反映滑坡整体的变形规律。多点灰色模型可以发挥相互影响的多个监测点间的整体积极作用,从而更加完整和全面的反映坡体的变形状况。以三峡库区某滑坡为研究对象,对布设在坡表的6个监测点进行聚类分析,将彼此高度相关的3点纳入多点模型中。针对传统多点灰色模型在背景值取值方面存在的缺陷,本文将基于背景值优化的多点灰色模型引入到滑坡变形预测中。计算结果表明,与传统灰色模型相比,背景值优化的多点灰色模型是解决贫信息条件下滑坡整体变形预测较理想的方法。

基于背景值与初始条件优化的非等间距GM(1,1)模型

利用非等间距GM(1,1)模型一次累加生成序列近似满足指数规律优化其背景值,再利用最小二乘法,由模拟序列和原始序列的一次累加生成值的偏差平方和最小对模型的时间响应函数的参数进行优化,从而建立基于背景值与初始条件同时优化的非等间距GM(1,1)模型,并通过实例验证此模型的有效性与可行性.

管道腐蚀深度预测的优化灰色GM(1,1)模型建立及应用

管道腐蚀深度是腐蚀行为研究的重要内容,准确预测管道腐蚀深度变化规律对于保障管道的安全运行意义重大。针对传统GM(1,1)模型背景值计算方法的不足,提出了一种基于二次多项式变换结合背景值优化的改进灰色模型,通过实例对比分析了改进模型和传统模型预测精度的差异。结果表明:当建模样本数为7时,传统模型、改进模型一(采用二次多项式变换方法所建模型)、改进模型二(采用二次多项式变换结合背景值优化方法所建模型)预测所得的平均相对误差分别为5.33%、4.00%和3.731%,因此改进模型二的预测精度高于改进模型一和传统灰色模型;当建模样本数分别为8和9时,改进模型二的预测精度仍最高,因此采用的背景值优化方法有助于提升改进模型一的预测精度;改进模型用于预测管道腐蚀深度完全可行,且所用方法具有计算简单、精度高的优点。

基于复化Simpson公式优化背景值的GM(1,1)模型及应用

文中针对传统GM(1,1)模型背景值求解存在误差,模型预测精度低的问题,通过分析误差来源,根据已有复化Simpson公式优化背景值的方法,利用积分函数分区间积分求解逼近的思想,构建动态序列预测模型,并结合实例分析进一步验证了该方法的有效性,能够减弱背景值影响误差,提高模型的拟合预测精度,对工程实际应用具有适用性。

优化背景值的非等间距线性时变参数GM(1,1)幂模型在变形监测中的应用

为弥补传统GM(1,1)幂模型背景值等权构造的缺陷,针对原始变形序列的非等距振荡特征构建背景值加权优化的非等间距线性时变参数GM(1,1)幂模型,并采用具有全局优化特性、收敛速度快的粒子群算法求解模型的幂指数和背景值权重。以2组矿区监测点累积沉降观测数据为例进行沉降分析与预测,结果表明,本文模型的平均绝对百分比误差分别为2.33%和4.70%,预测误差分别为2.10%和6.38%,计算结果均优于其他3种模型。工程应用表明,优化模型在小样本非等距振荡序列应用中具有优越性,适用于地表沉陷的短期预测与时变分析。

半参数补偿及背景值优化MGM模型研究和应用

为了改善传统MGM模型背景值选择以及模型误差问题,提出了半参数补偿及背景值优化的MGM预测模型。选取同一变形体上3个相关性较高的监测点实测数据,分别利用传统MGM模型、背景值优化MGM模型、半参数MGM模型以及半参数补偿及背景值优化MGM模型对其进行预测。实验结果表明,本文模型预测值的均方误差为0.61,比传统MGM模型的1.12、背景值优化MGM模型的0.66和半参数MGM模型1.01,分别降低了0.51、0.05和0.40;且3个点残差标准差的均值分别比传统MGM模型、背景值优化MGM模型和半参数MGM模型小0.21、0.03和0.15。这说明本文模型的预测精度有所提高,且更加稳定。

基于背景值优化的GM(1,1)国内旅游消费预测模型

针对传统灰色GM(1,1)模型的背景值大于实际背景值的情况,根据差分插值原理对模型背景值进行优化。选取2006—2015年我国国内旅游消费数据,在对原始数据作对数处理的基础上,基于背景值优化GM(1,1)模型,对我国国内旅游消费水平进行预测。与传统GM(1,1)模型进行对比,结果表明:基于背景值优化的GM(1,1)模型能大幅减小预测误差,提高模型精度,非常适用于国内旅游消费中短期预测。

基于正弦变换和背景值优化的灰色GM(1,1)模型研究

对传统GM(1,1)模型进行误差分析,基于正弦变换和误差最小化原理对初始条件和背景值进行改进,建立了优化GM(1,1)模型。为了比较与传统GM(1,1)模型的优劣,选取2005—2015年我国水产品总产量数据,基于传统GM(1,1)模型和优化GM(1,1)模型分别对水产品总产量进行预测。实证研究表明:优化GM(1,1)模型在预测相对误差方面有明显改善,极大地提高了灰色模型的预测精度。

基于背景值优化GM(1,1)模型的平顶山市GDP预测

选取平顶山市2012—2018年GDP作为原始数据序列,建立传统GM(1,1)预测模型和背景值优化GM(1,1)预测模型.从级比偏差检验、后验差比检验和小概率误差检验可知,2个模型精度均为一级.背景值优化GM(1,1)模型的平均相对误差为0.0126,优于传统GM(1,1)模型.该模型对平顶山市GDP预测有很高的实用性.本文采用背景值优化GM(1,1)模型预测平顶山市2019—2023年的GDP.预测结果表明:平顶山市GDP 5 a内将保持平均增长率6.76%的速度平稳增长.

优化MGM(1,n)模型在边坡沉降预测中的应用研究

为更好地预测边坡沉降,考虑边坡整体变化趋势,采用多变量的优化MGM(1,n)模型,对边坡相关的各监测点的沉降变形进行了预测。该研究先以平均相对残差为指标筛选初值,引入背景值系数重构背景值计算公式;再据此建立改进的双值MGM(1,n)优化模型;最后,以中山西环高速公路A段的边坡工程为实例,分别建立传统MGM(1,n)模型、GM(1,1)模型和优化MGM(1,n)模型,并对所测数据进行建模预测和比较分析。研究结果表明:在3种优化模型中,优化MGM(1,n)模型的预测精度最高。该模型在边坡沉降预测方面具有一定的应用前景,可为类似工程和研究提供参考。

基于背景值优化改进的灰色沉降预测模型研究

地下车站施工过程存在严重的安全隐患,为确保施工安全,需要对周围沉降数据进行长期预测,确保未来不会出现较大沉降导致区域塌方。将灰色模型用于沉降预测,使用积分变换替代累加序列进行背景值优化改进,提高背景值的平滑程度,达到提高预测精度的目的。实例验证表明,背景值优化可以在一定程度上提高沉降预测精度,预测残差明显降低。

旅游产业结构优化背景下酒店行业的发展

文章首先对旅游产业结构优化对酒店行业发展的影响进行阐述,从管理模式落后、缺乏高质量管理人才、企业文化构建不足等方面,对以往酒店行业存在的问题进行解析,并以此为依据,从提高酒店的服务质量、改革传统管理模式、实施品牌经营策略、强化管理人才培训力度多个方面,提出旅游产业结构优化背景下酒店行业发展的策略。希望通过文章的阐述,可以给相关领域提供参考。

基于全阶时间幂灰色预测模型的优化研究

全阶时间幂灰色模型(FOTP-GM)作为传统GM(1,1)模型的改良模型,根据幂项和幂次的差异而有着许多变式,旨在提升对近似非齐次指数序列的适应能力与预测精度。同时,GM模型的背景值影响灰色模型的发展系数和灰作用量,论文研究背景值系数与FOTP-GM模型时间响应函数关系,在动态区间内利用粒子群算法寻找实现MAPE最小的背景值系数,实现最优预测效果。实验结果表明:经过优化背景值取值后,FOTP-GM模型精度较其他模型得到了明显提升,改进率达到97.65%。

基于四阶Newton-Cotes公式优化背景值的灰色自记忆模型研究及应用

科学合理的预测经济社会发展用水需求,是地区水资源规划的基础和前提。针对现有需水预测方法计算成果往往与实际存在一定的差距,本文从需水预测的灰色特性出发,通过采用四阶Newton-Cotes求积公式对灰色微分方程背景值进行优化,在此基础上建立基于四阶Newton-Cotes求积公式优化背景值的灰色自记忆模型,并在城市用水预测中加以应用。实例研究表明,该模型预测精度较高,可作为城市需水量预测的依据。