高斯加权的多分类器物体追踪

针对在物体外观快速变化的情况下,大多数弱学习器不能捕获物体新的特征分布,导致追踪失败的问题,提出了高斯加权的联机多分类器增强算法。该算法为每一个领域问题定义一个弱分类器,每个弱分类器包括一个简单的视觉特征和阈值,引入高斯加权函数来权衡每个弱分类器在特定样本上的贡献,通过多分类器联合学习来提高追踪性能。在物体追踪过程中,联机多分类器在对物体定位的同时还能估计物体的姿态,能够成功地学习多模态外观模型,在物体外观快速变化的情况下追踪物体。实验结果表明:所提算法在经过一个较短序列的训练后,平均追踪错误率为12.8%,追踪性能明显提升。

滚动轴承故障诊断的最优加权路图GFT冲击提取方法

滚动轴承发生局部故障时将产生由共振频率调制的周期瞬态冲击,有效提取冲击特征是诊断滚动轴承故障的关键。图信号处理方法(Graph Signal Processing,GSP)是基于图谱理论发展起来的新研究领域,将振动信号转换为图信号进行分析,能有效揭示振动信号特性。对高斯函数加权下的路图拉普拉斯矩阵进行特征分解,发现代数连通度(Algebraic Connectivity)以内的特征向量存在明显的冲击,因此提出利用代数连通度以内的特征向量结合逆图傅里叶变换(Graph Fourier Transform,GFT)重构故障信号中冲击分量的方法。高斯加权函数中的热核宽度决定冲击特征向量的分布,直接影响重构结果,为解决热核宽度的选择问题,提出结合粒子群算法(Particle Swarm Optimization,PSO)确定最优热核宽度;然后利用最优特征向量组重构冲击信号,并进行包络解调;最后实现滚动轴承故障的有效诊断。算法仿真和应用实例表明,基于最优加权的路图GFT方法能有效地重构滚动轴承故障冲击特征,诊断故障类型。

基于时空相关性多任务神经网络的交通预测

传统的交通量预测多利用单点附近的交通流信息,未能拓展至区域网络。针对这种情况,提出一种基于时空相关性的高速路网短时交通量预测模型。模型利用实际路网的静态与动态数据计算路段间的等效距离,通过高斯加权函数选择最近邻。将相关路段的交通量预测作为目标预测的额外任务,通过构建多任务循环神经网络(MTL-RNN)模型实现目标路段交通量的协同预测。实验结果表明,MTL-RNN模型在路网交通量预测中的平均预测误差在6%以内,具有良好的预测准确度与适用性。

一种改进的中值滤波算法

为了更好的对原始图像进行除噪,本文针对经典中值滤波方法的缺点对其进行改进。将高斯加权与中值滤波方法进行结合,提出一种新的滤波方法。分别用本文方法与中值滤波方法在带有不同噪声的图像上进行除噪实验,对实验结果进行分析比较并利用均方误差来定量比较。实验结果表明,本文提出的方法比经典中值滤波方法更具普适性。

基于LWSVR的繁忙机场航班滑出时间预测

针对繁忙机场航班滑出时间预测准确率低的问题,结合局部回归和加权支持向量回归,提出基于局部加权支持向量回归的离港航班滑出时间预测模型。该模型采用K最近邻方法,减小训练样本集容量,并为每个预测样本构建一个预测模型。通过计算训练样本与预测样本间的马氏距离,来优化加权支持向量回归中高斯核加权函数的带宽参数,获得加权系数。结合某机场离港航班数据仿真分析,实验结果表明模型在误差允许范围内的预测准确率达到83.33%,模型更加稳定。

实时FPGA手势识别算法的设计

针对手势识别的硬件加速问题,对图像识别技术进行研究,从手势边缘与肤色信息出发,借助FPGA平台的高速特性,在Sobel边缘提取算法的基础上,提出利用椭圆颜色域分离法与高斯函数加权来优化手势信息特征值提取的算法。原始图像分别输入Sobel边缘提取模块与色彩空间分离模块,经处理后的信号共同输入高斯加权模块,与肤色相关的边缘信息得到加强,无关信息得到抑制。该算法结合了手势图像的色彩信息与边缘信息,经过对比验证,表明通过对边缘与肤色信息的算法优化,能有效滤去与手势无关的信息,在不同光照下测试均获得足够的辨识度。

基于改进型Camshift和卡尔曼滤波器的车辆跟踪算法

针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。

结合K-Means与移动最小二乘法的脑部纤维追踪方法

脑部神经纤维追踪整合单个体素内纤维的方向信息,描绘全局的纤维走向分布,因此单个体素的方向信息决定了纤维追踪结果的准确性和完整性,而传统方法往往直接将体素主特征向量方向作为体素纤维方向,却没有考虑体素张量特性,会产生较大的误差。对此,提出一种结合K-means和移动最小二乘法的纤维追踪方法。首先,根据体素的椭球模型,利用K-means聚类算法将体素聚为3类;接着,用移动最小二乘法拟合非细长椭球状体素的张量信息;最后,采用STT算法对更新后的张量场进行纤维追踪。采用两份数据进行实验结果分析:在真实临床数据中,该算法比STT能追踪到更完整的纤维束;在模拟人脑数据中,该算法能追踪到最多的23束正确纤维束,正确纤维连接比达到45%,错误纤维束相较UKF减少16束,错误纤维连接比降低到28%。

附加平滑约束的电离层层析反演

根据乘法代数重构算法,利用相邻像素之间的连续性及平滑性,采用附加平滑约束的方法来克服没有任何观测信息的像素对经验模型给出的初值的依赖。利用中国地壳运动观测网络的高精度双频GPS观测值,反演了中国区域上空电离层电子密度分布,将反演的结果同检验站的电离层延迟进行对比分析,并且将反演的电子密度剖面与相应的测高仪数据进行比较,验证了此方法的有效性和可靠性。