分数阶Boussinesq-Coriolis方程在变指数Fourier-Besov空间中解的整体适定性和正则性

基于变指数Fourier-Besov函数空间理论,利用Littlewood-Paley分解工具、 Fourier局部化方法和Banach压缩映射原理,通过建立线性项与非线性项的估计,证明分数阶Boussinesq-Coriolis方程在临界变指数空间FB_(P(·),q)^(4-2a-3/p(·))(R^(3))中解的整体适定性和Gevrey类正则性.

利用最佳伙伴相似性的改进空间正则化判别相关滤波目标跟踪

针对空间正则化判别相关滤波跟踪算法(SRDCF)在目标发生遮挡、尺度变化和形变情况下的跟踪失败问题,提出利用最佳伙伴相似性的改进SRDCF目标跟踪算法。首先,以SRDCF算法为基础,利用双层搜索策略解决目标跟踪中的目标定位问题和尺度估计问题;然后,利用一种新颖的鲁棒模板匹配技术,通过融合空间权重、相关滤波得分和最佳伙伴相似性得分来估计候选目标位置,解决遮挡情况下的目标重定位问题;最后,采用自适应模板更新策略解决遮挡情况下模板漂移问题。本文采用OTB-2013数据集评估本文算法的性能,同时与34种流行算法进行比较,结果表明本文算法的精确度得分和成功率得分分别为0.853和0.648,相比传统的SRDCF算法分别提高1.79%和3.51%。本文算法能很好地解决目标遮挡、尺度变化和形变情况下的目标跟踪问题,具有一定研究价值。

基于Tikhonov正则化方法的WSN空间定位算法

位置信息是无线传感器网络(wireless sensor networks,WSN)节点监测信息的重要组成部分。基于RSSI测距的空间定位无需额外增加成本,定位功耗小,符合WSN的发展要求,但由于多径衰减等问题造成测距误差较大,导致空间定位问题的不适定性,表现为解不稳定或无解。基于Tikhonov正则化方法进行求解,在三维空间中建立了定位模型,利用偏差原理解决了最优正则化参数选择问题。室内定位实验结果表明三维空间定位正则化参数可以选取55,定位误差可以控制在2m左右,优于经典的极大似然法。

基于改进正则化方法的状态空间载荷识别技术

由于噪声和系统特性的影响,载荷识别问题往往是不适定的,为了克服该问题获得稳定解,一般采用正则化技术来处理,可是直接利用传统正则化方法重构载荷,识别出的载荷的精度不是很高,本文提出采用一种改进正则化方法,数值仿真结果表明该方法能够有效地抑制噪声的影响,从而更精确的识别出载荷。

正则蕴涵算子所对应的逻辑伪度量空间

本文对所有正则蕴涵算子对应的逻辑系统类MTL进行语义研究,指出在MTL中可以建立连续赋值格时的公式积分真度理论,但却不能在这一类逻辑系统的全体公式集上建立由公式间的积分相似度决定的伪度量空间.但凡可以建立如此伪度量空间的逻辑系统,都有个共同的性质,即系统中所有的逻辑运算都是连续的,从而就为在此类逻辑系统中建立统一形式的近似推理提供了可行的框架.

空间自适应和正则化技术的盲图像复原

在原非负支撑域递归逆滤波(NAS-RIF)算法基础上,提出了一种基于空间自适应和正则化技术的改进的盲图像复原算法。该算法在原NAS-RIF算法的代价函数中引入两项空间自适应加权项,分别用来确保图像复原的逼真和平滑。自适应加权项可根据观察图像的局部特性和噪声方差求得;加入正则化项,则用于抑制噪声。提出了根据观察图像来估计噪声方差的方法,不需要知道噪声方差的先验条件,采用共轭梯度算法来进行求解。对3幅不同背景和不同信噪比的图像进行了仿真实验。实验结果表明:采用改进算法得到的信噪比增益(ΔSNR)比原算法分别提高了0.207 3 dB,1.023 9 dB和2.862 8 dB,取得了更优的图像复原效果。

空间目标图像的非凸稀疏正则化波后复原

现有的空间目标图像波后处理方法多直接套用自然光学图像的复原技术,效果并不理想。本文通过分析空间目标图像的近似稀疏性和灰度值服从超拉普拉斯分布的独有特点,提出了一个采用正则化方法的非凸稀疏正则化空间目标图像复原模型。在数值计算过程中,根据交替方向乘数法将复原模型分解为两个子问题,对凸优化子问题采用快速傅里叶变换求解,对非凸优化子问题采用固定点迭代方法求解。文中设计了非凸稀疏正则化空间目标图像波后复原的完整算法流程,并针对模拟图像和真实空间目标图像进行了对比验证。结果显示:相对于最近的流行算法,提出方法的最大峰值信噪比提高了2dB,最大平均结构相似度提高了0.17,最大信息熵提高了3.85,图像清晰度提高了2.65。

结合自适应空间权重的改进型时空正则项跟踪算法

为解决时空正则项的相关滤波视觉跟踪算法在目标部分遮挡时存在的模型漂移和尺度估计不准确问题,提出了结合自适应空间权重的改进型时空正则项跟踪算法。采用平均特征能量比将无法准确表达目标或过多表达背景信息的特征通道裁剪掉,以提高跟踪精度。在滤波器训练时加入空间权重正则项,利用时间正则项在目标遮挡时被动更新滤波器,使得在空间权重更新时更为准确,以此着重学习目标未被遮挡部分,获取可靠的相关滤波器系数。将滤波器求解划分为2个子问题,分别采用交替方向乘子法进行优化计算,保证算法运算速率。在牛顿迭代法中设置精度阈值,在保证定位精度的同时减少迭代次数。实验结果表明:在OTB-100数据集上所选择的6个视频序列中,所提算法较STRCF算法的平均中心位置误差降低了12.3像素,平均重叠率增加了7%,运算帧率可达19.25帧/s;在OTB2015遮挡视频序列中,所提算法较STRCF算法的成功率曲线下积分面积(SAUC)增加了0.7%,使用深度特征的所提算法较DeepSTRCF和ASRCF算法的SAUC分别提升了3.9%与0.9%。

正则化技术在状态空间载荷识别中的应用

针对载荷识别问题中的不适定性,提出了一种基于局部最小准则(local minimum criterion,简称LMC)的正则化技术处理方法。通过对线性系统离散状态空间方程的研究,建立了基于该正则化技术的状态空间载荷识别数学模型。仿真结果表明,该方法能有效地识别出载荷且计算效率较高,并结合数值试验结果分析研究了测点数、采样时间间隔和激励力频率因素对识别结果的影响,为载荷识别的高精度提供参考。

雷达目标一维距离像识别中的修正正则子空间法

涌现在复杂性理论中占有重要的地位。本文在讨论涌现的基本概念的基础上 ,介绍了一种用于研究复杂系统涌现行为的模型方法—CGP模型 ,给出了一个CGP模型的具体例子———采集机器人的仿真模型。通过对这个模型进行仿真实验 ,观察到机器人简单的状态转换函数和看似杂乱无章的行为产生了具有明显规律性的结果 ,对这种涌现现象的产生进行了分析 ,指出了它的现实意义。

L-拓扑空间中的正则分离性

本文在L-拓扑空间中引进新的正则分离性概念,给出新正则空间的各种特征性质。证明了新正则分离性是遗传的、可乘的、拓扑不变和L-好的推广,也讨论了新正则与正则及N-正则的关系。

基于自适应空间正则化的视觉目标跟踪算法

为解决相关滤波类视觉跟踪算法中的边界效应问题,提出一种基于自适应空间正则化的视觉跟踪算法.在经典滤波模型中引入自适应空间正则化项,通过建立正则权重在相邻帧之间的关联,自适应调整当前帧的模型正则化权重,减小边界效应的影响.采用自适应宽高比的尺度估计策略,以及基于颜色直方图相似度的模型更新策略,抑制模型漂移,提高跟踪准确性.实验显示,该算法在UAV123,OTB2013,OTB2015这3个数据集上的跟踪成功率和精确度均高于所有对比的算法,且即使在复杂场景中也能保持良好的跟踪效果.特别是在出现运动模糊和目标在平面内旋转2种情况时,该算法的跟踪成功率较排名第2的算法分别提升了9.72个百分点和9.03个百分点,说明所提出的算法具有较好的适应性.

基于子空间类标传播和正则判别分析的单标记图像人脸识别

针对单标记图像人脸识别问题,该文提出一种基于子空间类标传播和正则判别分析的半监督维数约简方法。首先,基于子空间假设设计了一种类标传播方法,将类标信息传播到无类标样本上。然后,在传播得到的带类标数据集上使用正则判别分析对数据进行维数约简。最后,在低维空间使用最近邻方法对测试人脸完成识别。在3个公共人脸数据库CMU PIE,Extended Yale B和AR上的实验,验证了该方法的可行性和有效性。

一种空间自适应正则化MAP超分辨率重建算法

提出一种简单、通用的基于正则化技术的自适应MAP超分辨率重建算法。与以往算法不同,该方法引入了局部空间自适应正则化参数,弥补了传统算法对图像自身的局部特性缺乏考虑的不足。算法通过迭代的方式,利用中间重建结果不断对正则化参数进行更新,并最终得到重建图像。实验结果表明,该方法可以根据不同图像序列的特点以及图像的局部灰度特性,自适应地确定相应的正则化参数,并找到最优解,有效地保护了高分辨率图像的细节信息。

基于强正则蕴涵算子的加权模糊度量空间

在强正则蕴涵算子的统一框架下给出了加权正则度量的定义,建立了基于强正则蕴涵算子的加权正则模糊度量空间,并且研究了该模糊度量空间的性质,分析了常用的逻辑连接词所对应的映射关于加权正则度量的连续性,最后证明了基于Lukasiewicz蕴涵的加权正则模糊度量空间是最适宜于展开模糊推理的模糊度量空间。

一种空间自适应正则化图象盲复原算法

图象盲复原所面临的主要问题是可利用信息的不足 ,所以必须充分利用图象本身及成像系统的先验信息 .为此 ,结合模糊先验辨识的思想 ,给出了一种新的空间自适应正则化算法 ,该算法先用交替最小化的迭代方法对模糊进行先验辨识 ,然后利用辨识结果 ,用各向异性扩散进行图象复原 .算法充分利用了图象及成像系统 (或点扩散函数 PSF)的分段平滑特性 ,同时又利用各向异性扩散的概念 ,使得正则化不仅在程度上 ,而且在方向上都是空间自适应的 ,从而能够有效地进行图象盲复原 .仿真结果表明 ,该算法的复原效果优于空间自适应各向同性正则化 (SAR)算法 ,其收敛性能优于空间自适应各向异性正则化 (SAAR)算法 .

迭代正则化方法求解电介质中空间电荷分布

首先介绍了迭代正则化方法的理论基础,建立了含有空间电荷密度分布的Fredholm第一类积分方程的反卷积算法,利用数值实验研究了加性高斯白噪声对迭代反卷积算法的影响,以及迭代停止标准对非适定问题的数值解的影响,最后使用该方法求解电介质样品中的空间电荷分布.结果表明,在无噪或者低噪环境下,反卷积算法能够非常好地计算出非适定问题的解.当噪声影响增大,信噪比降低时,反卷积的计算结果受到明显的影响.迭代停止标准对数值解的计算精度起着明显的作用.对实际测量数据进行处理表明,迭代正则化反卷积算法能够计算出固体电介质中的空间电荷分布.

关于Fuzzy拓扑线性空间的正则性

本文举出一个反例，说明并非所有的ｆｕｚｚｙ拓扑线性空间都是正则的。此外，证明了由普通拓扑线性空间诱出的ｆｕｚｚｙ拓扑线性空间是正则的。

格值诱导空间的完全正则性(英文)

对一般的格值L,我们证明了:诱导空间是完全正则的,如果它的底空间是完全正则的.对适当的定义域L和值集I=[0,1]证明了:诱导空间是完全正则的,当且仅当它的底空间是完全正则的.

LF拓扑空间的强正则闭分离性

利用正则闭集概念在LF拓扑空间中引入了强正则闭分离性(分离性)概念,给出了它们的刻画,并证明了它们是LF拓扑性质,在LF拓扑空间的半正则化中的强正则闭分离性与加强了的T分离性是等价的。