基于典型相关分析的变化检测中变化阈值的确定

以东营市为例 ,把基于典型相关分析的方法运用于多时相遥感影像的变化检测中。对于变化阈值的确定 ,采用了一种基于贝叶斯理论的最小错误率的方法。这种方法实质上是一种非监督分类的方法 ,即不需要地面实况数据或其它先验知识 ,直接对典型相关处理后的差值图像进行分析计算得到阈值 ,使变化检测的错误率达到最小。实验结果证明了这种方法的有效性。

一种茶叶茶梗色选机图像快速分拣方法

在茶叶生产加工过程中,为实现利用机器视觉技术进行茶叶茶梗分拣自动化,对茶叶色选机图像进行了研究,提出了一种基于最小错误率贝叶斯决策的茶叶茶梗快速有效分拣方法.针对数码相机采集到的茶叶、茶梗数字图像模拟实际生产加工的色选机图像,经过预处理后,提出最小外接圆半径与最大内切圆半径比形状特征,利用该单个形状特征进行高斯建模,依据最小错误率贝叶斯分类器对图像中的茶叶图像和茶梗图像的类别判断,从而实现茶叶茶梗目标图像的快速分类.实验结果表明,该方法在色选机图像分类中是一种实用和成功的方法.

逆威布尔部件的可靠性估计

针对贝叶斯分析中平方误差损失存在的"高估和低估同等重要"问题,提出了一种基于熵损失函数的贝叶斯可靠性分析方法。利用该方法,分别在无信息先验和共轭先验分布下,推导出逆威布尔部件参数、可靠度函数及失效率的Bayes估计,并证明了形如[c T(x)+d]-1的一类估计具有容许性。为了比较不同估计结果的忧劣,文中还给出了逆威布尔部件参数的一致最小方差无偏估计(UMVUE)。最后运用Monte Carlo方法对各种估计的均方误差进行了模拟比较。结果表明,当样本量比较小时,Bayes估计的均方误差小于UMVUE的均方误差。随着样本量的增加,各个估计的均方误差都减小,但在共轭先验下Bayes估计的均方误差最小。

一种汉字混淆网络算法

在普通话大词汇量连续语音识别中,使用最大后验概率决策规则解码得到的是具有最小句子错误率的识别结果,但是本文通常使用字错误率作为识别结果的评测标准。为了使识别结果具有最小字错误率,在充分考虑汉语语言特点的基础上,提出了一种汉字混淆网络算法。这种算法能够有效地将普通话大词汇量连续语音识别系统输出的词格转换成为汉字混淆网络。详细讨论了最小贝叶斯风险决策规则理论及使用汉字混淆网络进行的解码过程。基于2005 HTRDP(863)评测数据集进行的实验结果表明,这种使用汉语字混淆网络的方法有效地降低了普通话大词汇量连续语音识别结果的字错误率。

正态分布下最小错误率的变量喷施贝叶斯决策

传统农田除草采用田间统一定量均匀喷洒,导致了除草剂浪费和环境污染问题。智能变量喷施能够保护环境和提高作物产量,是促进农业可持续发展战略的重要途径。为此,对经典的杂草监测参数进行改进并提出了正态分布下最小错误率的贝叶斯决策以实现精确变量喷施。首先对农田图像进行灰度化、二值化及去噪等预处理;然后依据作物行中心线对农田图像进行网格单元的划分,并在网格单元格内提取改进的杂草监测参数;最后将贝叶斯决策分为两个阶段:线下阶段利用改进的杂草监测参数数据库计算正态分布参数,线上阶段根据改进的杂草监测参数实现正态分布下最小错误率的贝叶斯决策,从而为变量喷施提供决策依据。实验结果表明:正态分布下最小错误率的贝叶斯决策正确率可达92%,与BP算法和SVM算法相比决策正确率相对较高。

基于贝叶斯最小错误率的一种语音端点检测算法

提出一种基于贝叶斯最小错误率的语音端点检测算法.说明短时平均幅度和短时平均过零率两种语音特征的选取方法,根据最小错误率的贝叶斯决策分别确定了合适的门限值,并将该方法在作者建立的语音数据库中进行了语音起点和终点测试.实验结果证明,与仅用幅度或能量特征的方法相比,本文方法能够提高语音端点检测的准确性.

基于类标感知的KNN分类算法

许多传统分类算法都以训练数据和测试数据具有相同或至少非常相似的分布为前提,但是在实际应用中,该前提很难得到保证,这降低支持向量机等传统分类算法的分类精度.因此,文中提出基于类标感知的KNN分类算法(CA-KNN).CA-KNN给出稀疏表示模型,基于任何测试数据都可使用训练数据集进行稀疏表示的假设.CA-KNN可有效利用数据集上的类标信息,提升稀疏表示的准确性.引入KNN的最近邻分类思想,进一步提升CA-KNN的泛化能力,并且从理论上证明CA-KNN分类器与最小误差的Bayes决策规则关联.实验和理论分析的结果表明,CA-KNN具有较好的分类性能.

高误码率下LDPC稀疏校验矩阵重建

针对LDPC重建问题,提出了一种可直接重建LDPC稀疏校验矩阵的算法。首先,根据传统重建算法原理,详细分析了传统重建算法存在的缺陷以及缺陷存在的原因;其次,基于LDPC稀疏矩阵的特性,通过多次随机抽取码字中部分比特序列进行高斯消元,同时为了可靠实现抽取的比特序列能包含校验节点,基于一次抽取包含校验节点的概率,确定多次随机抽取的次数;最后,在误码条件下,基于疑似校验向量关系成立的统计特性和最小错误判决准则,实现稀疏校验向量的判定。仿真结果表明,所提算法在误码率为0.001的条件下,针对目前IEEE 802.11协议中大部分LDPC的重建率能达到95%以上,且噪声稳健性优于传统的重建算法,同时所提重建算法不仅不再需要对校验矩阵稀疏化处理,而且对于双对角线与非双对角线形式的校验矩阵都具有较好的通用性。

贝叶斯决策分析在医学步态分析中运动目标检测的应用研究

针对医学步态分析中的运动目标检测问题,提出基于最小错误率的贝叶斯决策规则的方法。该方法由变化检测、变化分类、前景目标提取和背景更新四部分组成。变化检测采用自适应阈值法来二值化变化点和非变化点,变化分类基于颜色共生特征向量,采用贝叶斯规则进行决策,前景对象的提取融合了时间差分法和减背景法。针对复杂场景中背景的"渐变"和"突变"情况,提出不同的背景更新策略。实验表明,该方法和包含有摇动的树枝或者灯的开关等复杂背景中能准确地提取运动目标,因此可用在医学步态分析的研究中。