影像同名点匹配的SIFT算法与贝叶斯抽样一致性检验

为提高影像匹配的稳健性,引入基于SIFT特征匹配的贝叶斯抽样一致性算法(Bayes sample consensus,BAYSAC),提出基于随机概率U(0,1)、基于像点到像片中心距离比值和基于影像重叠度的3种正确点先验概率估计方法,并根据相似性原理简化了贝叶斯公式,用于更新正确点概率。以SIFT算法为基础,结合贝叶斯抽样一致性算法,对不同的正确点概率估计方法进行了试验。试验结果表明,改进后的算法减少了迭代次数,从而减少了计算时间。同时,它能剔除更多的误匹配,并保留更多的正确匹配,从而提高匹配正确率。

改进随机抽样一致性算法在建筑物现状测量中的应用

作为点云数据处理的关键步骤,线面拟合的结果直接影响后续数据处理的精度。针对传统RANSAC算法在建筑物平面拟合过程中存在的效率及精度方面的问题,引入一种顺序法向量检测机制,通过增加拟合模型的角度约束条件,提出了一种改进随机抽样一致性算法(M-RANSAC)进行平面和边缘探测。通过与常规全站仪测量方法以及传统RANSAC算法进行结果对比,验证了本方法的可行性和有效性,并在珠江三角洲水资源配置工程沿线建筑物现状测量中得到了成功应用。

基于序贯概率及局部优化随机抽样一致性算法

通过引入序贯概率检测及局部优化技术,给出了一种快速并具有较高精度估计的随机抽样一致性算法RANSAC(ran-dom sample consensus)。RANSAC算法是基于假设和检验的框架来实现。为了减少RANSAC算法的计算时间及提高计算精度,在模型的检验阶段,利用序贯概率检测技术,随机抽取少量的数据对模型的参数进行预检验。如果模型参数通过预检验,则进入后续的检验,否则这个模型参数不再参与后续全部数据的检验。在对模型参数估计时,使用局部优化方法,实现模型估计的精确度的提高。实验结果表明,此算法在速度和精确度方面与标准的RANSAC相比均取得了较大的提高。

基于随机抽样一致性算法(RANSAC)的农作物行提取

农作物行提取是实施农业机械导航技术的关键,运用归一化的算法对图像进行灰度化处理,采用最大类间方差分割方法将图像转化为二值图像,然后利用垂直投影方法进行定位点归类,最后采用改进的随机抽样一致性算法提取作物行直线。结果表明,该算法能够在缺株、有杂草、地膜覆盖等复杂背景下,自动剔除伪定位点,有效检测出作物行。

随机抽样一致性算法在线结构光视觉测量系统中的应用

针对线结构光视觉测量系统中参数标定易受噪声和亮度突变等因素的影响,而传统算法难以拟合包含异常值点云的问题,在现有标定方法的基础上,提出了一种基于随机抽样一致性(RANSAC)的改进算法拟合光平面参数。随机选取三个点云数据拟合光平面,选择阈值并统计在此平面上的内点数量,多次重复求得包含最多内点的平面,并以这些内点以特征值法进行平面拟合得到所求平面方程。实验结果表明,与最小二乘法相比,该方法可以很好地适应标定过程中出现的误差和异常值的情况,稳健地估计平面参数值,从而进一步提高线结构光参数标定精度。

基于随机抽样一致性算法的风电机组塔筒倾斜度检测方法

随着风电行业的快速发展,由于设计缺陷、制造问题以及检查和维护不充分导致风电事故频繁发生。机组倒塌是典型的事故之一,检测塔筒倾斜度是避免机组倒塌事故的重要措施。为解决利用最小二乘法无法剔除检测数据的局外点和噪声而导致检测精度低的问题,提出了一种基于随机抽样一致性的算法,可以剔除不良数据,并具有较强的抗噪声和异常点干扰能力。依托甘肃瓜州某风电场进行试验,结果表明,该算法能够较好地应用于塔筒倾斜度检测。

基于Gibbs抽样算法的贝叶斯动态面板数据模型分析

针对现有动态面板数据分析中存在偶发参数和没有考虑模型参数的不确定性风险问题,提出了基于Gibbs抽样算法的贝叶斯随机系数动态面板数据模型.假设初始值服从平稳分布,自回归系数服从Logit正态分布的条件下,设计了Markov链Monte Carlo数值计算程序,得到了模型参数的贝叶斯估计值.实证研究结果表明:基于Gibbs抽样方法的贝叶斯动态面板回归模型能有效地揭示跨截面滞后变量对响应变量的位置、尺度和形状的影响.

稳健学生t回归模型的非迭代贝叶斯抽样算法

与正态回归相比,学生t回归模型是一种对异常值较稳健的回归模型,通常用Gibbs抽样算法估计参数。而Gibbs抽样是一种迭代算法,所得样本不是独立样本,统计推断之前需判断其收敛性。文章探讨了一种基于逆贝叶斯公式的非迭代抽样算法,该算法利用t分布的正态混合表示,结合EM算法和重要再抽样算法,得到参数的独立同分布的后验样本,该样本可直接用于统计推断,从而避免了Gibbs抽样中的问题。

动态贝叶斯网络一种自适应的局部抽样粒子滤波算法

针对传统自适应粒子滤波(APF)对于动态贝叶斯网络推理中高维的问题,提出动态贝叶斯网络一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中,利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割,以降低抽样规模和抽样的状态空间;进而对局部模型用自适应粒子滤波算法进行近似推理,并以粒子的因式积形式近似系统的状态信度。实验结果表明,该算法能很好地兼顾推理精度和推理时间,其性能优于普通PF算法;与APF算法相比,在不增加推理误差的情况下推理时间也有较大的提高。

半参数双重Tweedie复合泊松回归模型的贝叶斯分析

为了分析健康保险行业中出现的半连续卫生保健费用数据,本文提出一类半参数双重Tweedie复合泊松回归模型.在分析中,首先采用修正鞍点逼近的数值方法去近似Tweedie复合泊松分布的密度函数;其次,利用Gibbs抽样技术和Metropolis-Hastings(MH)算法的混合算法获得了模型参数的联合贝叶斯估计;最后,给出了几个模拟研究以及把这些方法用来分析兰德健康保险实验中的卫生保健费用数据.

部分线性变系数模型的贝叶斯复合分位数回归

部分线性变系数模型由参数和非参数2部分组成,具有适应范围广和解释性强双重优点。针对该模型的参数估计问题,采用B样条方法逼近非参数部分的未知光滑函数,进而利用复合非对称拉普拉斯分布实现贝叶斯复合分位数回归,并基于Gibbs抽样算法推导出所有未知参数的后验分布,以获取参数的估计值。通过数值模拟对贝叶斯复合分位数回归与贝叶斯分位数回归、贝叶斯线性回归参数估计效果进行比较分析,结果显示:当误差服从非正态分布时,在均方误差准则下,贝叶斯复合分位数回归估计表现更优。基于上述3种方法对实例数据进行预测分析,结果表明:在平均绝对偏差和均方误差预测意义下,基于贝叶斯复合分位数回归的预测效果更好。

基于重叠区域改进SURF的无人机影像快速匹配算法

针对无人机影像匹配算法因影像信息量大、视场大和地物纹理复杂而导致匹配精度及效率低的问题,以加速稳健特征(Speeded Up Robust Features, SURF)算法为基础,提出了一种基于重叠区域改进SURF算法的无人机影像快速匹配算法。算法主要分为3步:(1)利用无人机影像重叠率计算影像特征点检测提取区域,并在区域内进行SURF特征点检测提取,避免无效特征点影响匹配精度与效率;(2)采用同心圆环8区域模板替换原SURF算法矩形模板,并引入影像色彩信息构建34维的特征描述符,进行特征匹配;(3)采用M估计抽样一致性(M-estimator Sample Consensus, MSAC)算法剔除误匹配点,实现影像的精匹配。实验分析表明,所提算法能够有效提升无人机影像特征匹配正确率及算法运行时间效率。

朴素贝叶斯算法在审计抽样中的应用研究

审计抽样是指审计人员对具有审计相关性的部分项目实施审计程序,根据抽样结果推断总体情况。非统计抽样作为广泛使用的审计抽样方法主要依据审计人员主观经验判断,抽样风险高且缺乏理论基础。本文将机器学习领域简单高效的朴素贝叶斯算法应用于审计抽样问题,以专项资金审计为例,提出贝叶斯算法审计抽样模型。通过抽样率与“三因素”分析法对模型抽样结果进行评估,验证贝叶斯算法审计抽样模型的可靠性。模型将审计人员职业经验判断与概率统计知识相结合,能够降低审计成本、提高审计效率、控制审计风险,并为人工智能审计、在线审计提供新思路。

指数-威布尔分布参数贝叶斯估计的混合Gibbs算法

文章利用混合Gibbs算法分别在分组数据和定数截尾场合给出了指数-威布尔分布参数的贝叶斯估计,并进行了Monte-Carlo模拟。结果表明:在两种不完全数据场合,用混合Gibbs算法求指数-威布尔分布参数的贝叶斯估计,结果令人满意,该算法可行、稳定且精度高。

Gibbs抽样算法及软件设计的初步研究

基于贝叶斯理论框架 ,对适应于广义线性模型的Gibbs抽样技术及相关算法进行了理论与实践的研究 ,初步提出了在面向对象开发环境下开发该类软件的基本构架。对实例进行实际运算并将计算结果与权威统计软件SPSS及WinBUGS进行对比 ,参数估计值相互接近 ,模拟运算时间短 ,但与WinBUGS相比仍有差距。

分组数据场合Burr-XII分布参数贝叶斯估计的混合Gibbs算法

文章利用混合Gibbs算法(Gibbs抽样与Metropolis算法混合)给出了分组数据场合Burr-XII分布参数的贝叶斯估计,通过Monte-Carlo模拟,考查贝叶斯估计的均值、均方误差及参数的可信区间,并给出混合Gibbs抽样过程中相应参数的轨迹图、直方图及自相关系数图。结果表明:在分组数据场合,用混合Gibbs算法求Burr-XII分布参数的贝叶斯估计都得到了比较满意的结果,该算法可行、稳定、有效。

基于拉丁超立方抽样的改进型多链DRAM算法求解地下水污染反问题

针对运用贝叶斯统计方法求解地下水污染反问题时,经典MCMC算法(Metropolis算法)求解结果受样本初始点影响且计算效率低的问题,提出了一种基于拉丁超立方抽样方法的改进型多链延迟拒绝自适应Metropolis算法(DRAM)。将贝叶斯统计方法与二维水质对流-扩散方程相耦合,建立地下水污染源识别模型。构建一个污染物在地下水含水层中瞬时排放的算例,分别运用Metropolis算法、多链Metropolis算法以及改进型多链DRAM算法对污染源信息(污染源强度、排放位置(x,y)和排放时长)进行反求。算例研究表明,Metropolis算法受样本初始点影响,容易出现反演结果局部最优或者反演结果难以收敛的问题;多链Metropolis算法虽然显著提高了反演结果的准确性,但是反演效率相对低下;改进型多链DRAM在保证反演准确性的条件下,可显著提高反演效率(相对于多链Metropolis算法提高68%),实现反演结果准确性与效率的双提高。

基于进化计算的贝叶斯网络结构复合学习算法

提出一种贝叶斯网络结构复合学习算法.该算法将EM算法、蒙特卡罗抽样算法、进化算法结合起来,用EM算法、蒙特卡罗抽样算法将不完整的数据集转换成完备的数据集,再利用进化算法进化网络结构.这种算法能够克服EM算法容易陷入局部最大值的缺陷,对于缺省数据处理是基于后验网络的,网络结构随进化计算不断优化,得到的补充数据可信度比较高,网络学习效率高、运算性能好.

基于全局和局部特征的图像快速拼接算法

为了提升图像快速拼接效果,提出了基于全局和局部特征的图像快速拼接算法,利用改进形状上下文算法,提取图像全局形状特征,按照轮廓点序列间最小欧式距离完成图像粗匹配。通过关键点提取算法提取原始图像与粗匹配图像的局部特征,利用应用随机抽样一致性方法根据局部特征进行图像精匹配,通过渐入渐出融合算法融合精匹配图像拼接时重叠区域的边缘,完成图像快速无缝拼接。实验证明:该算法在图像模糊与视角变换时,均可有效快速拼接图像,拼接后的图像清晰度佳、细节信息含量多,获得理想的图像拼接效果。

基于RANSAC的单应性矩阵估计优化算法

图像特征匹配是机器视觉处理技术的关键环节。在图像特征匹配中,需要根据检测到的特征点及其相应的特征描述子进行特征点匹配。在众多匹配方法中,传统随机抽样一致性(RANSAC)算法因为能利用随机抽样从样本集中剔除误匹配点,再对单应性矩阵进行估计,而获得了广泛的应用,但其模型参数估计依然存在精度不高和效率较低的问题。本文用基于先验概率抽样的方法代替随机抽样方法,同时,使用二次匹配代替正向匹配来计算重投影误差,使用标准测试图集进行实验。实验结果表明:单应性矩阵的估计精度和效率分别提升了48.42%和53.57%。