基于自适应移动平均的脑事件关联电位单次提取

提出一种基于自适应移动平均的脑事件关联电位单次提取方法。采用零交叉方法对背景噪声进行分析 ,自适应提取单次记录中的最大脉冲噪声宽度 ,将其作为窗口大小的基准 ,然后用移动平均算法对测量信号进行处理。实验结果表明 ,我们提出的方法不但具有良好的单次提取效果 ,而且具有较强的适应性和稳健性。

自适应指数加权移动平均指数控制图设计

现代制造过程中,某些产品的不合格率非常低,这类过程通常称为高质量过程,此时过程中相邻不合格产品之间的时间间隔服从指数分布。为了监控这类高质量过程,文章提出一种自适应指数加权移动平均(AEWMA)指数控制图。仿真结果表明,此控制图的平均运行链长(ARL)与Shewhart控制图、指数加权移动平均(EWMA)控制图相比具有优越性,尤其对整个区间内的偏移具有较好的检测性能。

融合对抗网络和维纳滤波的无人机图像去模糊方法研究

针对无人机(UAV)测量中出现的运动模糊问题,尝试将DeblurGANv2网络引入到UAV测量模糊图像的恢复任务中,并设计一种自适应指数移动平均损失函数(Adaptive Exponential Moving Average Loss Function, AEMALF),又将维纳滤波后的图像存在振铃效应进行高频抑制并通过色彩映射等方法恢复原图像部分细节,建立了模拟仿真的UAV测量运动模糊图像数据集。提出了一种改进的对抗网络DeblurGANv2算法和配合维纳滤波预处理的图像去模糊方法。实验结果表明,相较于同类算法,所提算法更能充分挖掘图像多尺度特征,恢复的图像平均峰值信噪比(Peak Signal to Noise Ratio, PSNR)和平均结构相似性(Structural Similarity, SSIM)均有显著提高。

一种考虑功率波动死区的光储出力研究方法

为解决光伏在并网过程中功率波动的问题,首先根据国标设置功率波动的死区限值,然后对光伏控制系统进行理论分析,并且选取测试过程中功率波动较大的光伏数据,采用自适应指数移动平均算法对其优化,最后在MATLAB中搭建仿真模型,验证光伏和储能系统能够将超出死区的功率控制在一定范围内,同时维持系统电压的稳定。

稳定的视频内头部姿态估计方法

传统基于特征点的头部姿态估计方法准确性依赖于3D人脸模型和特征点定位精度等因素,易导致姿态估计值不精确、波动性较大。针对姿态估计值不精确的问题,引入误差补偿方法,利用极端梯度提升拟合传统方法估计值的误差,将其与传统方法的结果叠加作为优化的姿态估计值;针对波动性较大的问题,定义视频内头部姿态估计的稳定性,提出基于余弦相似性的稳定性度量,衡量估计值是否反映真实值的变化趋势;引入自适应移动平均对姿态估计值进行平滑。实验结果表明,该方法能有效提高头部姿态估计的准确性和稳定性。

基于AMA的均值—方差模型在大类资产配置中的应用

随着FOF基金逐步进入投资者的视野,关于大类资产配置的方法和策略越来越被重视。首先,文章对H.M.Markowitz在1952年提出的均值—方差模型进行了阐述和分析,总结其优点和缺陷。其次,针对经典模型存在的缺陷,文章引入考夫曼自适应移动平均线,建立了基于AMA的均值—方差模型。改进后的模型可以有效降低经典模型对历史数据的依赖性。最后,文章运用该模型对中证全指、中证全债、Wind商品指数进行资产配置,回测期为2007年1月1日到2016年12月31日,3个月换仓一次,取得了年化21.46%的收益,最大回撤率为19.79%,夏普比率为1.43,整体回测结果理想。

面向大规模定制的改进型AEWMAQ控制图应用研究

针对大规模定制(MC)生产模式下产品质量特征值不足、参数情况未知、监测不灵敏等因素造成的过程质量控制难以实施的问题,提出基于Q统计量的改进型自适应移动加权平均控制图(AEWMAQ)。通过成组技术形成产品族,利用Q统计量将相似产品的质量特征值标准化;利用标准化后的数据绘制改进型AEWMA控制图。该方法能够解决不同参数条件下数据源不足的问题,并可改善控制图对微小、中等和较大偏移监测灵敏度不足的情况,使得控制效果得到显著提升。结果表明:与传统方法相比,AEWMAQ控制图具有更好的灵敏性、更强的检测能力。

对变形目标的跟踪研究

在目标跟踪过程中,目标在图像中的形状和大小常发生不同程度的变化,为了准确、有效地实现目标跟踪,采用多次迭代的连续自适应平均值移动算法。该算法是一种基于颜色跟踪的算法,根据多次迭代的计算结果,自适应调整图像序列中搜索窗口的大小和位置,从而得到当前图像中的目标中心,实现对运动目标的跟踪。最后分别在不同变形情况下和多个运动目标下进行实验。实验结果表明,当目标发生旋转、大小变化及存在多个目标的情况下,该算法仍能有效地对运动目标进行准确跟踪。