基于混合高斯概率密度的加权打分方法

针对当前评比打分方法不能有效反映选手真实情况的问题,提出了一种基于混合高斯概率密度的加权打分方法。该方法的重点在于引入混合高斯分布来确定专家评分的权重。首先利用EM算法确定混合高斯分布模型参数,然后通过区间划分得到每个区间上的概率,再将专家打分映射到混合高斯概率密度函数区间上得到对应的权重,最后经加权求和得到选手的最终成绩。通过实例证明了该方法的合理性和公正性。

基于密度峰值多起始中心的融合聚类算法

经典K-Means算法不能有效处理非球型数据集的聚类问题,且聚类目标数需预先指定。SMCL(Self-adaptive Multiprototype-based Competitive Learning)算法是一种K-Means的改进算法,它引入Multi-Prototypes机制,并将距离相近的Prototypes所代表的样本簇融合成聚类簇。在SMCL算法基础上提出DP-SMCL(Density Peak-SMCL)算法,使用密度峰值聚类算法确定初始聚类中心集,借助1-D高斯混合概率密度模型合并以Prototypes为中心的相近子簇来获得精确聚类结果。实验结果表明,DP-SMCL算法可应用于非球型数据集聚类,且能自动确认聚类的目标类别数,相比于K-Means和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等经典聚类算法能够获得更加准确的聚类结果。同时,与SMCL算法相比,DP-SMCL可以快速完成初始Prototypes的选定,显著提升算法准确率和执行效率。

基于星-凸形随机超曲面模型的扩展目标GM-PHD滤波器

针对扩展目标联合估计运动状态和目标外形的问题,提出一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法。该算法利用星-凸随机超曲面模型对量测的扩散程度进行建模,在高斯混合概率假设密度的框架下,通过求解、更新递推量测模型下的量测似然、新息等参数来实现对扩展目标的跟踪。仿真实验表明,该算法在保证跟踪有效性和可行性的同时,提高了对扩展目标运动状态和目标外形的估计精度。

基于多普勒量测的UKF多目标跟踪方法

针对高斯混合概率假设密度滤波(GMPHD)初始化需要先验强度函数的缺点,在现有GMPHD滤波框架的基础上,将多普勒信息附加于滤波更新过程中,提出了基于多普勒量测的UKF多目标跟踪方法。该方法能够利用多普勒信息对新生目标状态初始化,实现新生目标的自动初始化,有效降低滤波估计误差。仿真结果表明,所提方法复杂度较低,且在多目标跟踪过程中,对于目标个数的估计精度和最优子模式指派距离均优于已有方法。

音频水印非线性检测器的研究

研究了一种用于音频水印的非线性检测器。首先将音频信号进行离散余弦变换,并将变换系数按照绝对值进行排序,依据音频信息本身的特点选取中频系数嵌入水印信息,采用高斯混合概率密度模型来拟合加入水印的中频系数。其次,依据这种非高斯模型的特点,设计了一种非线性检测器来检测水印。实验表明这种非线性水印检测器具有很好的鲁棒性,对于加高斯噪声、重采样、重量化、MPEG压缩、Chebyshev低通滤波等多种攻击都具有较好的抗攻击能力。

基于二级CFSFDP的扩展目标量测集划分算法

在扩展目标高斯混合概率假设密度滤波中,量测集的划分需要进行大量计算,导致运行效率较低。针对该问题,提出一种新的扩展目标量测集划分算法。采用局部异常因子对杂波进行滤除,将层次聚类与采用密度极点的算法相结合对量测集进行划分。实验结果表明,与距离划分、K-means++划分、DBSCAN划分算法相比,在扩展目标处于交叉和近邻2种情况时,该算法对目标的外形不敏感,在保证扩展目标跟踪性能的同时,减少了计算时间。

基于星-凸形RHM的扩展目标跟踪算法

针对扩展目标联合估计运动状态和目标外形的问题,提出了一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法。该算法利用星-凸形随机超曲面模型对量测的扩散程度进行建模,同时利用约束对目标外形参数进行限制。在高斯混合概率假设密度的框架下,通过对量测模型下的量测似然、新息等参数的求解和更新递推实现扩展目标的跟踪。仿真实验表明,所提算法在保证跟踪有效性和可行性的同时提高了对扩展目标运动状态和目标外形的估计精度。

基于ET-EMIE-GMPHD的机动目标跟踪及航迹关联

针对杂波环境下扩展目标高斯混合PHD滤波器不能有效跟踪机动目标且无法提供航迹信息的问题,引入一种改进的输入估计算法,通过指数渐消因子对滤波增益进行调整,实现对强机动目标的自适应跟踪。同时通过构造距离矩阵提出一种改进的航迹关联算法,减少了密集目标错误关联的概率。实验结果表明,所提算法具有很好的跟踪精度,同时能够正确给出密集扩展目标的航迹信息,具有较强的抗干扰性和鲁棒性。

基于机器学习的云存储数据分段聚类方法仿真

针对传统的云存储数据分段聚类方法存在运行效率较低、聚类结果不够平滑等问题,提出一种基于机器学习的云存储数据分段聚类方法。从云存储数据库中合理抽取多个小数据集,小数据集包含云存储数据库中的所有自然簇,根据相似度定义构建相似度矩阵。采用非线性核主成分算法实现对相似度矩阵中数据相似度的测度,通过相似度测度将具有相同特征的数据归为一类,采用混合高斯分布概率密度模型计算不同类别数据的后验概率,通过对概率大小的比较实现云存储数据分段聚类。实验结果证明,所提方法能够缩短聚类运行时间,将聚类变化度降低到29%,有效提高了聚类结果的平滑度。