基于行列方差方法的探地雷达道路数据感兴趣区域自动提取技术

随着经济和社会的快速发展,道路承受的负载急剧增大,使得道路内部逐渐产生一系列的病害。探地雷达(ground penetrating radar, GPR)是一种无损探测技术,可将道路下方目标的回波信息呈现在雷达剖面图上,其中的空洞、脱空、疏松体等病害信息构成了探地雷达道路数据的感兴趣区域(region of interest, ROI)。传统的人工提取ROI方法对人员的技术要求高,同时针对海量数据的人工识别给一般人员的精力提出了不小的挑战。为此,本文提出一种通过在行列方差基础上加入阈值分割数据的方法,实现ROI的自动提取。实验结果表明,提出的方法有效地提取出多类型、多目标ROI位置信息。该方法在提高探地雷达道路检测效率方面具有较大的应用潜力。

基于稳健距离的大数据Logistic回归最优子抽样

大数据统计分析在有限的计算资源下面临一些挑战性问题,用子数据代替全数据进行统计分析成为一种选择。文章基于最小协方差行列式的稳健距离,为大数据Logistic回归模型提出了一种更高效的子数据选择算法。通过大量的数值模拟,在不同的标准下比较了所提算法与其他已有算法的性能。结果表明,所提算法具有较高的估计效率和计算效率,与全数据相比,计算时间显著减少。与其他算法相比,所提算法得到的子数据信息矩阵行列式的值更大。同时,当协变量之间存在高度相关性时,所提算法具有稳健性。最后,通过对实际数据集的分析,说明了所提算法的预测误差更小。

高放废物地质处置新场候选场址地下水位异常值识别方法

地下水动态监测为高放废物地质处置候选场址的安全评价提供了关键基础数据,但研究发现实际的监测数据中存在较多异常值,严重干扰了对动态过程的准确判断。因此,亟须建立一种高效的方法对异常值进行准确识别。本文基于局部加权回归的时间序列分解和最小协方差行列式方法构建了地下水位异常值检测组合模型,使最小协方差行列式方法可以在更独立的残差项中进行异常值检测。结果表明,构建的组合模型相较于最小协方差行列式方法的单一模型,其对异常数据具有更好的敏感性和检测精度;并进一步确定了组合模型的阈值应接近实际的异常值比例,以获取最佳的检测效果;此外,根据新场地段BSQ01、BSQ25、BS35、BS26钻孔的水位数据对组合模型的适用性进行验证,表明其能够准确识别出混淆于大量正常水位数据中的异常值,同时也适用于不同类型异常事件的检测。

工业大数据驱动的高维过程质量稳健监控模型的构建与优化

由于工业大数据存在变量维度高、价值密度低、存在离群点等因素,监控模型难以准确挖掘海量数据中关键波动信息,容易产生较高的误警率,影响产品生产质量。为解决这个问题,提出一种基于最小行列式法和变量选择算法的高维过程稳健监控模型。运用最小协方差行列式(MCD)方法估计稳健的均值向量和协方差矩阵;构建似然比检验统计量,通过增加惩罚项得到变量选择优化函数;结合MCD和变量选择得到稳健的监控统计量,利用Monte Carlo方法得到监控用控制限;最后,通过仿真数据和薄膜沉积过程实际数据对所提方法进行实证研究。结果表明:所提方法相比Hotelling T2和VS控制图具有较高的异常识别精度和鲁棒性,在存在离群点的高维过程质量监控中提高了对异常波动识别的稳健性,达到了期望的监控效率。

基于饮片切面图像纹理特征参数的中药辨识模型研究

目的:建立基于切面图像纹理特征参数的辨识模型,探讨中药饮片自动识别的可行性。方法:基于中药饮片切面图像的灰度共生矩阵和灰度梯度共生矩阵,选取18种中药材不同样本图像的26个纹理特征参数,分别建立训练集和测试集。利用最小协方差行列式MCD方法对训练集进行离群值剔除处理。采用朴素贝叶斯及BP神经网络2种建模方法和十折交叉验证,建立18种中药材的判别模型。结果:在提取的26个纹理特征参数的基础上,利用MCD方法剔除训练集的离群值后,用BP神经网络建立的判别模型判正率达到90%,说明效能良好。结论:将建立的辨识模型用于中药饮片的自动识别具有可行性,为中药直观鉴别的定量化、科学化以及客观化提供了一套新的技术手段。

基于MCD稳健估计的PCA人脸识别算法

针对人脸识别中,识别效果易受人脸修饰、部分遮挡、噪声干扰等不确定因素影响的问题,提出一种MCDPCA人脸识别算法以改进识别效果。基于主成分分析(PCA)进行特征脸提取,结合最小协方差行列式方法 (MCD)进行异常点检测和抗噪。针对人脸图像使用MCD算法,求出稳健的协方差矩阵估计,基于此协方差估计矩阵使用PCA技术提取重要的人脸特征用于识别。实验结果表明,在有遮挡和噪声干扰的情况下,相比传统PCA方法,该方法明显提高了人脸图像识别率。

基于MCD初始化的高斯混合模型聚类

高斯混合模型聚类是一种基于概率模型的有效聚类方法,传统算法对模型的初始化(包含成分数、每个成分的均值和方差)的设置非常敏感,容易导致EM算法陷入局部最优解或收敛到解空间的边界,为了解决这个问题,可利用最小化协方差矩阵行列式(MCD),结合传统成熟的高斯混合模型算法,来实现对高斯混合模型的初始化,而MCD初始化的算法对初始值的设定没有特殊的要求,通过实验证明其具有很好的聚类性能和鲁棒性。

Casoratian Solutions to a Non-isospectral Differential-Difference Kadomtsev-Petviashvilli Equation

In this paper, a non-isospectrai differential-difference Kadomtsev-Petviashvilli equation （n-D△KPE） is presented. Then, the Casoratian solutions of the n-D△KPE are obtained by generalizing Casoratian conditions of the non-isospectrai D△KPE, single-soliton solution is also derived by using Hiorta＇s method.

线性回归模型中参数估计稳健性比较及应用

线性回归模型中参数估计常用最小二乘法,该方法受离群值影响,而真实数据中离群点难以避免,这直接影响到线性回归模型的预测故果.稳健估计能有效地消除或减弱离群点对线性回归模型参数估计的影响.由于协方差矩阵是许多统计方法的基石,因此,最小协方差行列式估计成为常用稳健估计方法之一.本文针对最小协方差行列式估计获得均值和协方差估计的有效性不如罗克估计和合成似然估计,采用数值糢拟与真实数据预测,进一步对这三种技术获得参数估计进行稳健性比较.结果表明:合成似然估计与罗克估计表现更为稳徤,进而提出将其应用于大气污染物浓度预测。

多元数据离群点探测的倾斜重加权方法

在对数据的处理中,关于多元数据的离群点的探测日益受到重视。然而现有的方法存在着不够稳健、准确率较低等缺点。本文提出了两种多元数据离群点探测方法,并在重加权最小协方差行列式方法的基础上,采用更为科学的倾斜重加权方法,计算出更为稳健的估计量,从而达到更加有效准确地探测离群点的目的。