基于非凸熵最小化与高斯混合模型聚类的电容层析成像图像重建

基于压缩感知原理提出了一种构建非凸熵(NE)函数作为正则化项的方法,在有效缓解电容层析成像(ECT)病态性逆问题的同时可保证解的稀疏性,并采用快速迭代阈值收缩算法(FISTA)求解以加快收敛速度。对所得解通过高斯混合模型(GMM)进行阈值寻优,采用期望最大化算法(E-M)更新模型参数,从而构建NE-GMM算法。仿真及实验结果均表明:与LBP、Landweber、迭代硬阈值(IHT)、ADMM-L1及NE算法进行了对比,该算法所得重建图像质量最优,对中心分布及多物体分布的保真度进一步提高,仿真实验重建图像的平均相对误差和相关系数分别为0.4611及0.8827,优于其他5种算法。

基于非高斯分布模型扩散加权成像在肝细胞癌中的研究进展

扩散加权成像(diffusion weighted imaging,DWI)已经在肝细胞癌(hepatocellularcarcinoma,HCC)中广泛应用。由于传统DWI难以准确反映偏离高斯分布的水分子扩散信息,越来越多的研究致力于探讨非高斯分布模型DWI在HCC中的作用。此成像技术应用从神经系统拓展到体部,目前部分已应用于HCC的诊断与鉴别诊断、病理分类、分级、评价治疗反应、预后评估等方面。基于此,本文就非高斯分布模型DWI在HCC中的研究现状及技术原理进行总结,旨在进一步分析先进的扩散技术在HCC应用中存在的挑战,推动非高斯分布模型DWI在HCC中的进一步应用和发展。此外还将对未来的研究方向展开探讨。

基于高斯混合模型的物流非高斯随机振动损伤分析

针对公路运输环境中的振动信号具有明显的非高斯性,提出一种非高斯随机振动疲劳损伤分析方法。为了描述振动信号的幅值概率密度分布,采用移动加速度均方根来代表该段信号的振动强度,并引入高斯混合模型对加速度均方根值进行描述。在此基础上结合Tovo-Benasciutti方法和Dirlik方法推导出非高斯宽带频域疲劳损伤计算方法。最后,以雨流计数法作为参考,对不同峭度的实测振动信号进行疲劳损伤分析,结果表明,与传统频域疲劳损伤计算方法相比较,提出的非高斯疲劳损伤方法具有更高的计算精度。该研究对于运输包装件的随机振动加速试验设计有实际意义。

基于JT-AR转换模型的非高斯风荷载特性分析

为了研究大跨度屋盖结构的非高斯风荷载特性,提出一种采用JT-AR转换模型模拟大跨度球面屋盖结构非高斯脉动风压的方法。基于JT变换和AR模型理论进行耦合,提出并构建JT-AR转换模型,模拟生成非高斯脉动风压时程样本数据,与目标功率谱及高阶统计量对比验证;通过已有风洞试验结果与作用在大跨度球面屋盖结构表面的非高斯分布特性作对比验证。结果表明:JT-AR转换模型的模拟结果与风洞试验作用在建筑上的非高斯脉动风具有同等作用效应,其模拟仿真结果具备可靠性及普适性。研究结论为大跨度结构抗风设计提供一种新的模拟方法,可代替复杂的风洞试验。

GMM模型下的非高斯激励频域损伤计算与试验验证

为了研究非高斯激励的频域计算方法,介绍了高斯混合模型(Gaussian Mixture Model,GMM),通过GMM模型将实测的非高斯激励转换成概率功率谱(Probabilistic Power Spectrum,PPSD),以此将非高斯激励引入频域。运用仿真和GMM-Dirlik模型获得对应的非高斯雨流分布,计算出试件的损伤;同时按照高斯假设,将激励直接转换成功率谱密度(Power Spectral Density,PSD)进行损伤的计算。然后,对试件进行了台架试验,获得了试件的应力响应,通过雨流计数获得应力范围雨流分布,计算出试件的损伤。将试验结果与仿真结果进行对比后发现,GMM-Dirlik模型得出的结果与试验相对误差为10.8%,而高斯假设得到的结果与试验相对误差较大,为45.3%,进一步说明了用高斯假设评估非高斯激励损伤的危险性。最后,对比非高斯激励和高斯分布概率密度函数的区别,解释了实测应力雨流分布在中间应力等级处出现下凹的现象,以及非高斯激励相对于高斯激励损伤变大的原因。

铁道车辆轴箱振动非高斯特征与分布研究

以对铁道车辆轴箱振动非高斯特征与分布为对象开展研究。基于列车线路轴箱实测加速度信号,提取由轨道冲击引起的轴箱振动特征非高斯信号。使用多个概率密度函数(Probability Density Function,PDF)模型对实测信号进行拟合,并与实测特征信号的经验分布进行对比,评估各模型对轴箱特征非高斯信号的拟合精度。基于W-H非线性变换模型,建立一种非高斯信号模拟方法。利用模拟信号分析非高斯特征对各模型拟合精度的影响。结果表明:列车在行驶过程中具有非高斯特征,当列车经过轨道焊接接头、道岔与波磨路段时,由于轮轨冲击,非高斯特征明显增大,车轮多边形对信号非高斯特征几乎没有影响;基于W-H模型的非线性变换法,可以在保证模拟信号功率谱与指定功率谱基本一致的情况下,进行不同非高斯特征的信号模拟;高斯混合模型能够对铁道车辆非高斯信号较为准确地拟合;随着模拟非高斯信号峭度与偏度的增大,各模型与经验分布的相对误差也会增大,其中高斯混合模型拟合精度相对较高。

非高斯风荷载极值估计:基于HPM转换过程的经验公式

风荷载极值概率信息对于结构抗风可靠性设计十分重要,基于Hermite多项式模型(Hermite polynomial model,HPM)转换过程方法由于在估计强非高斯性风荷载极值方面表现优异,因而受到研究人员的青睐从而被广泛应用。另一方面,该方法的使用过程烦琐且有较强的理论性,不利于工程应用。为此,该文基于该方法提出非高斯风荷载极值估计的经验公式,首先系统地阐述基于HPM转换过程方法,接着对风荷载的极值分布函数模型展开讨论,之后通过回归分析提出风荷载极值分布函数的经验公式,并对其适用性和精确性加以验证。研究成果表明,仅需知晓风荷载若干统计特征的情况下,经验公式可快速估计风荷载极值,精度上与HPM转换过程方法基本相同,而在效率和便捷性方面显著提升,便于在工程中推广使用。

基于非平衡问题的高斯混合模型卷积神经网络

为了提升分类模型对非平衡数据的分类性能,提出一种EMWRS(expectation-maximization weighted resampling)抽样算法和WCELoss(weighted cross entropy loss function)损失函数,在数据预处理阶段采用高斯混合模型得知数据分布特点,根据其聚类结果分析每个聚类簇中样本权重,以及样本分布和对应权重对数据进行采样,降低数据集不平衡程度;再依据样本比例权重对少数类和多数类赋予不同的代价损失,构建卷积神经网络模型,提高非平衡数据集的分类准确性。构建的卷积神经网络以F1和G-mean为评价指标,在UCI(university of California irvine)公共数据集adult上与SMOTE(synthetic minority over-sampling technique)和ADASYN(adaptive synthetic sampling)等多种经典算法进行比较,结果显示在这两种评价指标中所提模型均为第一,这表明改进后的卷积神经网络模型能够很好地提高少数类分类正确率。

水平集高斯过程的非星凸形扩展目标跟踪算法

针对复杂环境下的非星凸形不规则形状扩展目标跟踪问题,该文提出基于能量泛函的水平集高斯过程扩展目标跟踪算法。首先,利用水平集随机超曲面模型(Level-Set RHM)通过多边形方法对形状内部进行建模。然后,用高斯过程(GP)学习Level-Set建模输入与输出的非线性映射关系,以求得边界函数最大值,并进一步推导Level-Set与GP相融合的非线性量测方程。在最优非线性滤波的框架下,最终推导得到水平集高斯过程(Level-Set GP)算法,并利用面积差作为不规则形状扩展目标形状估计的评价指标。仿真实验表明了所提算法对非星凸形不规则形状扩展目标形状估计的有效性。

基于高斯混合模型的非视距定位算法

针对无线传感器网络室内节点定位,在分析定位误差模型的基础上,结合高斯混合模型提出了一种无需先验知识的节点定位算法。利用高斯混合模型,对含有非视距误差的距离测量信息进行训练,以获得接近真实值的距离估计值。为取得高精度的定位效果,采用粒子群算法对期望最大化(EM)算法进行优化。同时结合优选残差加权算法对所得的距离值进行定位估计,得出目标节点坐标估计值。仿真实验结果证实了算法的有效性。

基于高斯混合模型的海冰图像非监督聚类分割研究

为了利用海冰图像识别技术获取海冰冰况信息,探索了利用高斯混合模型进行海冰图像分割的技术途径,描述了具体算法,并利用高斯混合模型的最大期望值(EM)算法以及最小描述长度(MDL)准则对渤海海冰图像进行目标提取。研究结果表明,该方法可以很好地实现海冰信息的有效提取和海冰图像的有效分割,从而证明了建立在图像分割技术之上的海冰图像识别技术是处理海冰图像进而获得冰型、冰量等冰况信息的有效技术手段。

基于高斯混合模型的非高斯随机振动幅值概率密度函数

针对非高斯振动信号的幅值概率密度函数难以用数学模型表述的问题,提出了基于高斯混合模型的非高斯概率密度函数表示方法。首先,基于时域样本信号得到非高斯振动信号的高阶矩估计值。其次,基于高斯随机过程偶次高阶矩之间的定量关系,结合二阶高斯混合模型建立方程组,求解得到混合模型中每个高斯分量的方差和权值。然后,将各高斯分量的权值和方差代入高斯混合模型,得到适用于对称非高斯振动信号的幅值概率密度函数。最后,通过仿真信号和实测振动信号,验证了该方法的有效性和适用性。

肺音信号非高斯ARMA模型及双谱研究

应用高阶累积量方法 ,从肺音信号辨识肺胸系统的ARMA模型参数 .分别在肺胸系统正常和异常的情况下 ,对肺泡呼吸音、哮呜音和喘呜音进行了分析 .实验结果表明 ,高阶累积量能够很好地抑制高斯噪声 ,并能提取由于肺部机能异常引起的肺胸系统声传递函数的变化 ,对肺胸系统自动分类。

非线性非高斯模型的高斯和滤波算法

通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器(extended Kalman sum filter,EKSF)和高斯厄密特和滤波器(Gauss-Hermite sum filter,GHSF)。EKSF和GHSF分别用扩展卡尔曼滤波器(extended Kalman filter,EKF)和高斯厄密特滤波器(Gauss-Hermite filter,GHF)作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器(Gaussian sum particle filter,GSPF)相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。

修正双尺度模型在非高斯海面散射中的应用

基于海浪在水平及垂直方向上的倾斜效应,应用修正的双尺度模型求解非高斯海面的电磁散射,在经典的一阶微扰散射系数上添加了一个附加散射系数项,它与非高斯海面的双谱函数成正比,且该项反映了海面后向散射系数在逆风和顺风向上观测结果的不对称性。在修正模型中还考虑了遮蔽函数、曲率效应等因素对散射结果的影响。最后应用修正的双尺度模型数值计算并讨论了非高斯海面后向电磁散射特性,修正模型下的计算结果与实验数据有较好的吻合。

基于时变AR模型的非平稳非高斯随机过程的数值模拟

为了有效地模拟具有目标非平稳、非高斯特征的随机过程,提出了基于时变AR模型的非平稳非高斯随机过程的模拟方法。该方法首先需要建立实现非高斯与高斯随机过程之间相互转换的非线性平移关系,然而该非线性平移也会导致平移前后高斯与非高斯随机过程的功率谱发生变化。因此该方法还需要进一步建立平移前后高斯与非高斯随机过程的功率谱或相关函数的转换关系。然后,通过已建立的非线性平移,以及功率谱或相关函数的转换关系,可将非平稳非高斯随机过程的模拟转化成对非平稳高斯随机过程的模拟。而非平稳高斯随机过程可通过建立的时变AR模型进行有效的模拟。最后将具有目标非平稳、非高斯特征的脉动风速模拟作为数值算例,验证了该方法模拟非平稳非高斯随机过程的有效性。

基于AR和ARMA模型的多变量非高斯风压模拟

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程自回归和自回归滑动平均(AR和ARMA)模型模拟算法扩展至多变量非高斯过程的数值模拟。通过AR和ARMA模型系数考虑多变量非高斯过程间的相关性,建立多变量非高斯过程AR和ARMA模型的模拟算法。多变量非高斯风压的数值模拟表明:AR和ARMA模型算法能有效地模拟低斜度、中斜度和高斜度的多变量非高斯随机过程。

抗混叠Curvelet变换非高斯双变量模型图像降噪

提出了一种基于非高斯双变量模型复数Curvelet变换的图像降噪新方法。采用具有近似移不变性的复数小波变换代替原Curvelet变换中的小波变换,并用改进的Radon变换避免了原Radon变换中一维傅里叶反变换在频域中采样不足的缺陷,从而保证了新的复数Curvelet变换具有抗混叠性能。充分利用信号系数层间相关性强而噪声系数层间相关性弱的特点,采用非高斯双变量对复数Curvelet变换域系数进行建模,并通过BayesianMAP估计器对信号系数进行估计,从而实现降噪目的。实验结果表明,本文去噪法得到的峰值信噪比(PSNR)分别比传统Curvelet去噪法和Curve-let域HMT去噪法平均提高2.9dB和1.5dB,且能避免重构图像中出现"划痕"和"嵌入污点",在有效去噪的同时,可较好地保护图像边缘和细节。

心音信号的非高斯AR模型双谱分析

本文利用高阶谱分析方法 ,提出以非高斯参数模型对心音信号进行双谱分析与分类。采用具有非高斯白噪声激励的参数模型对心音 (PCG)信号进行建模 ,由导出的基于累积量的三阶递推方程估计模型参数 ,并对心音信号进行参数化双谱估计。其次 ,对心音信号的非高斯AR模型的定阶进行讨论 ,提出采用双谱互相关法估计心音信号的模型阶次。另外 ,利用非高斯AR模型参数构成特征向量 ,对正常心音和病理性心音进行二类模式分类。最后 ,对实际心音信号进行分析 ,结果表明利用双谱技术分析心音信号是一种新的有效方法 ,有助于心音信号的定量分析并为某些心脏疾病的早期诊断提供新的辅助信息。

结合复方向滤波器组高斯尺度混合模型及非局部均值滤波的图像去噪

提出了一种结合金字塔对偶树方向滤波器组（PDTDFB）变换域高斯尺度混合模型及非局部均值滤波的图像去噪方法.首先,建立了含噪图像的PDTDFB系数的局部高斯尺度混合模型,应用贝叶斯最小二乘法估计出去噪图像的PDTDFB系数;然后,通过PDTDFB逆变换重构得到初步去噪的图像;最后,采用非局部均值滤波平滑人工效应,从而获取最终的去噪图像.该方法充分利用了PDTDFB变换具有近似平移不变性、多尺度多方向选择性和对图像纹理边缘等细节信息的高效表示能力,以及高斯尺度混合模型对PDTDFB系数的邻域相关性的概括能力.实验结果表明：与目前几个典型的去噪方法相比较,该方法使信噪比提高了0.3～3 dB,视觉效果也有明显的改善.另外,该方法不仅能有效地去除含噪图像中的噪声,同时也有效地保留了原始图像中的边缘和纹理等细节信息.