基于多流ConvNeXt网络和马氏距离度量的未知信号增量识别

为解决现阶段基于深度学习网络的信号识别技术无法实现未知信号增量识别的问题,提出了基于多流ConvNeXt网络和马氏距离度量(MDM)相结合的未知信号增量识别方法.首先,利用改进的多流ConvNeXt网络提取信号的属性特征;其次,使用马氏距离度量判决方法进行未知信号检测进而实现已知信号和未知信号的二分类;最后,该方法根据不断增加的未知信号对模型的参数进行自动更新,使模型具备了自我进化的能力,进而可以识别出不断增加的新的未知信号类别,实现对未知信号的增量识别.仿真实验结果表明,该方法对未知信号的平均识别率达到97%以上.

基于分数阶矩和分片Wasserstein距离的鲁棒风险度量优化模型

鲁棒风险度量优化是一类随机风险分析度量的重要问题,其对不确定分布信息的捕捉需依赖不完善的假设和估计,分布尾部的反映直接影响分布预测的精准性,尾部模型误差在实际风险管理决策中会造成严重的后果。文章以一种对尾部模型误差具有稳健性的方式建立鲁棒风险度量优化模型。在构造模型不确定集时,提出基于Wasserstein距离的分布估计方法,克服了已有参数分布无法反映真实分布尾部行为的限制。鉴于分数阶矩对分布尾部信息具有精准刻画的能力,在解析分布估计的基础上,建立分数阶矩约束的鲁棒风险度量模型。为优化Wasserstein距离忽略分布几何结构造成的尾部模型误差,基于纤维丛理论思想,提出分片Was⁃serstein距离解析约束的分片鲁棒风险度量模型。最后,通过规范数据进行仿真分析,数值实验结果显示,该模型能够精准量化突发性极端损失风险。

基于不同距离度量的K-Means算法在配对交易中的应用研究

本研究探讨了K-Means聚类算法,在不同距离度量基础上对配对交易中两种期货合约的历史价差序列进行分类的应用。本文比较了欧式距离、曼哈顿距离、切比可夫距离和余弦相似度在价差序列分类中的应用效果。研究结果表明,相较于传统的欧式距离,余弦相似度能够更好地对价差序列进行聚类,在效果评测指标上表现更加优异。This study explores the application of K-Means clustering algorithm to classify the historical spread sequences of two futures contracts in paired trading based on different distance measures. This article compares the application effects of Euclidean distance, Manhattan distance, Chebyshev distance, and cosine similarity in price difference sequence classification. The research results indicate that compared to traditional Euclidean distance, cosine similarity can better cluster price difference sequences and perform better in performance evaluation indicators.

基于Hausdorff距离的轨迹相似性度量的航迹复原方法

面对有源和无源探测时存在的大量杂波等干扰,导致探测的重点目标航迹存在缺失的问题,采用基于Hausdorff距离的轨迹相似性度量方法,计算重点目标与探测数据中所有批次在距离-时间、方位-时间2个维度的双重Hausdorff距离。以加权Hausdorff距离为相似性度量排序,从探测数据中辨识出与重点目标航迹相似度最高的目标,实现在探测数据中准确辨识重点目标以及复原目标缺失航迹。实测数据验证表明,该方法简单高效,具有工程应用价值。

有监督的距离度量学习算法研究进展

近年来,距离度量学习已成为计算机视觉和模式识别等领域最为活跃的研究课题之一.如何利用训练数据学习得到有效的距离度量来衡量目标之间的相似性是该类研究的关键问题.针对有监督的距离度量学习问题,目前已提出了大量的研究算法.结合近年已发表相关文献对有监督的距离度量学习算法进行了详细的介绍和讨论.根据样本信息利用方式的不同,将其划分成基于成对约束和非成对约束的距离度量学习算法,重点介绍了一些常用的典型算法,分析了每种算法的原理和优缺点,最后是未来发展方向和趋势的展望.

一种新的基于对应像素距离度量的图像相关匹配方法

传统的图像相关匹配方法中 ,由于实时图和参考图之间存在着灰度差异和一定程度的几何形变以及对目标的局部遮挡 ,使得利用求取对应像素灰度差累加和来进行相似性度量算法的性能很容易受到影响。文中从另一角度提出了一种新的图像相关匹配算法。该方法改变了原先匹配算法中求取模板图像和目标图像的像素灰度差的和的方法 ,而改为求取两幅图像之间相接近的点的个数 ,从而使匹配算法的稳定性大大提高 ,因为局部出现的大片噪声点将不会影响匹配的结果 ,而这样的情况在传统的相关算法中将会显著影响匹配结果。实验结果表明了该方法的有效性。

基于新的距离度量的K-Modes聚类算法

传统的K-Modes聚类算法采用简单的0-1匹配差异方法来计算同一分类属性下两个属性值之间的距离,没有充分考虑其相似性.对此,基于粗糙集理论,提出了一种新的距离度量.该距离度量在度量同一分类属性下两个属性值之间的差异时,克服了简单0-1匹配差异法的不足,既考虑了它们本身的异同,又考虑了其他相关分类属性对它们的区分性.并将提出的距离度量应用于传统K-Modes聚类算法中.通过与基于其他距离度量的K-Modes聚类算法进行实验比较,结果表明新的距离度量是更加有效的.

基于对应像素距离度量的图像匹配跟踪算法

结合最小绝对差度量MAD和Hausdorff距离度量的基本思想,提出了一种新的对应像素距离相似性度量方法的图像匹配算法和自适应模板图像匹配跟踪算法,并对对应像素距离相似性度量方法的图像匹配算法的匹配跟踪性能进行分析.对这2种算法的匹配跟踪性能参数的实验结果进行比较.实验结果表明:对应像素距离相似性度量方法的图像匹配算法具有较强的抗噪、抗畸变能力和稳定性,具有较高的匹配精度和匹配概率.

一种基于距离度量的自适应粒子群优化算法

惯性权值对粒子群优化(Particle Swarm Opti mization,PSO)算法的性能起着重要作用。基本的PSO算法未考虑各粒子的差异而在一次迭代中所有粒子采用固定的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应PSO算法DMAPSO(Distance Measurement-based Adaptive PSO)。算法采用欧式距离计算粒子与已知全局最优粒子的差异,然后根据差异自适应调整各粒子的惯性权值。通过基准测试函数对算法进行了实验,结果表明,对于连续函数优化问题,提出的DMAPSO算法优于经典PSO算法,DMAPSO收敛到最优解的迭代次数比PSO平均减少了约60%。

基于Euclidean距离的纸张z向截面中墨层图像分割

目的通过图像分割方法得到纸张z向截面中印刷墨层区域的图像,利于更好地分析研究油墨在纸张中的分布。方法利用物理切割方法和超景深显微镜拍摄,得到高分辨率的纸张z向截面彩色图像,将该图像从RGB颜色空间转换到HIS空间,采用欧式距离作为相似性度量,实现油墨层的分割。结果在HIS空间对油墨层图像进行分割时,分割阈值选取为3倍样本标准差最大值时,分割图像精确;当分割阈值取4倍或者2倍、1倍时,出现了过度分割或者欠分割。结论分割得到的油墨层图像有利于定量计算油墨的渗透深度及渗透分布,为进一步定量研究油墨与纸张的相互作用奠定了一定的基础。

用简化脉冲耦合神经网络实现交通标志图像的类Euclidean距离变换类内特征提取

脉冲耦合神经网络(PCNN)提取的特征序列的旋转不变性降低了道路交通标志类内匹配识别的准确性,为了提取更有利于形状分类的特征向量,本文利用PCNN的自动波扩散特性,简化了PCNN模型。采用简化PCNN模型产生的类Euclidean距离图像作为分类特征,利用最小方差值进行匹配分析,并通过实验选取了最佳PCNN参数。针对道路交通标志图像库GB5768-1999的实验结果表明,采用获得的类Euclidean距离图像作为特征向量进行分类匹配,在选定边缘图像的迭代次数N为16,反馈输入固有电势VF为0.65,动态门限固有电势VT为100,卷积核矩阵为5×5时,最小方差值均出现在对应的标准图像位置。结果表明,简化PCNN的类Euclidean距离变换能够有效提取二值边缘图像的形状信息。该方法优于传统PCNN熵序列的特征向量方法,类内区分效果更加明显。

基于余弦距离度量学习的伪K近邻文本分类算法

距离度量学习在分类领域有着广泛的应用,将其应用到文本分类时,由于一般采用的向量空间模型(VSM)中的TF*IDF算法在对文本向量表达时向量均是维度相同并且归一化的,这就导致传统距离度量学习过程中采用的欧式距离作为相似度判别标准在文本分类领域往往无法取得预期的效果,在距离度量学习中的LMNN算法的启发下提出一种余弦距离度量学习算法,使其适应于文本分类领域,称之为CS-LMNN。考虑到文本分类领域中样本类偏斜情况比较普遍,提出采用一种伪K近邻分类算法与CS-LMNN结合实现文本分类,该算法首先利用CS-LMNN算法对训练数据进行距离度量学习,根据训练结果对测试数据使用伪K近邻分类算法进行分类,实验结果表明,该算法可以有效的提高分类精度。

基于动态时间弯曲空间距离度量的电能质量综合评估

将电能质量进行综合评估得出的量化结果,是衡量电能质量优劣的依据之一,有利于实现电能按质定价的市场机制。采用集成层次分析法和熵值法确定电能质量各项指标的综合权重值;同时,将空间距离度量的思想应用于电能质量综合评估,将电能质量指标问题转化为空间上的模式距离问题,采用动态时间弯曲算法进行序列模式识别,计算经加权化的标准电能质量指标序列、待评估电能质量指标序列与理想电能质量指标序列的匹配系数,进而确定电能质量等级,实现电能质量的综合评估与分级评估。实例计算结果表明,所提出的综合评估方法具有一定的有效性和可行性。

复杂装备健康状态评估的粗糙核距离度量方法

复杂装备的健康状态评估对于减少定时维修和事后维修的次数以及推动视情维修具有重要的意义。提出了一种基于粗糙核距离度量的复杂装备健康状态评估方法,该方法首先用粗糙集进行健康特征的约简和权重系数确定,以得到优化的联合健康特征向量,然后基于加权核距离度量进行健康状态分类。航空发动机健康状态评估中的应用表明,该方法具有鲁棒性、实时性强、计算简单的特点。

基于加权Minkowski距离的IFS相异度度量方法

针对现有直觉模糊集合间距离度量的局限性,提出一种基于加权Minkowski距离的相异度度量方法。该度量方法适合于连续论域中集合间距离的测量,而且通过引入加权参数解决了各个属性具有不同权重的实际问题,同时克服了现有IFS距离度量的缺陷,进而解决了几个特殊直觉模糊集合之间距离度量问题。通过算例分析比较,证明了该方法在现存的距离度量方法中是比较优越的。

基于支持向量机和距离度量的纹理分类

针对图象纹理分类问题 ,提出了一种将支持向量机和距离度量相结合 ,以构成两级组合分类器的分类方法 .用该方法分类时 ,先采用距离度量进行前级分类 ,然后根据图象的纹理统计特征 ,采用欧氏距离来度量图象之间的相似性 ,若符合条件 ,则给出分类结果 ,否则拒识 ,并转入后级分类器 ;而后级分类器则采用一种新的模式分类方法——支持向量机进行分类 .该组合分类方法不仅充分利用了支持向量机识别率高和距离度量速度快的优点 ,并且还利用距离度量的结果去指导支持向量机的训练和测试 .由纹理图象分类的实验表明 ,该算法具有较高的效率和识别精度 。

以一种新的距离度量作为反馈的相关跟踪方法(英文)

基于相关的模板匹配方法在图像跟踪中得到了广泛的应用,但是这种方法的主要缺点是对图像噪声非常敏感,而且由这种方法得出的相关曲面比较平坦。为了有效抑制噪声和局部遮挡对图像的影响,提出用鲁棒统计中的一个值代替相关值作为距离度量。它不是计算两幅图像的对应像素差值,而是计算两幅图像中差别不大的对应像素对的个数。实验证明这样得到的曲面相对 收稿日期:2003 08 31; 修订日期:2003 10 28作者简介:张桂林(1944 ),男,天津人,教授,博士生导师,主要研究方向为自动识别、人体生物统计特征识别、图像处理算法与系统性能评估等。 要尖锐得多。当上述的距离度量应用于跟踪过程中时,模板的合理更新对跟踪非常重要。基于上述的距离度量方法,提出了一种新的模板更新策略。利用两幅图像中近似像素在整修匹配模板像素中所占的比例大小决定加权系数。这种加权策略可以自适应地根据图像序列的变化选择更新相关模板,同时在一定程度上减小模板漂移的危险。

用带形状校正的腐蚀膨胀实现Euclidean距离变换

提出一种用带形状校正的腐蚀膨胀实现的Euclidean距离变换新算法。该方法的特点是采用新的数据结构——线段表来表示区域与边界。对于用线段表表示的区域作腐蚀膨胀比用卷积型腐蚀膨胀算法效率提高数十倍。通过总结腐蚀膨胀造成失真的规律,设计出形状校正的方法来消除所造成的误差。与传统基于局部距离累加的Cham fer算法相比较,该方法在保真度与处理效率两方面都有提高。新的距离变换算法也可用于数字图像的合成,优点是生成羽化蒙板时形状保真度高并且运行速度快。特别适用于任意形状区域可选宽度边界条带上的羽化处理。

融合距离度量学习和SVM的图像匹配算法

目前度量学习方法通过有限样本数据学习得到新度量后,采用简单的分类器(如直接欧式距离计算)通常不能达到最佳分类效果.SVM作为一种经典的分类器,具有优秀的线性和非线性分类能力,可以弥补距离度量学习方法的不足.对此,提出一种应用于图像匹配的融合距离度量学习和SVM的(DML-SVM)算法.首先,利用度量学习方法得到的线性变换矩阵,将样本变换到新的特征空间,降低特征各维度之间的相关性,调整特征各维度的权重;然后通过SVM对新特征进行线性或非线性分类.通过在LFW,Pubfig,Toycars三个图像数据库上的测试结果表明:融合方法的分类能力优于度量学习和SVM算法各自单独使用时的性能,且融合算法对训练样本数量具有很强的鲁棒性,即使只有少量训练样本(180个)时,融合算法仍然能具有较高的分类能力.

基于特征分组与特征值最优化的距离度量学习方法

主流的距离度量学习方法都需要求解半正定规划(Semi-definite programming,SDP)问题,而其中每次循环迭代中的矩阵完全特征分解运算使得现有方法计算复杂度很高,实用性不强,难以应用在大规模数据环境。本文提出了一种基于特征分组与特征值最优化的距离度量学习方法。引入特征分组算法,根据特征各维数之间相关性对图像底层特征进行分组。在一定的约束条件下,将求解SDP问题转化为特征值最优化问题,在每次循环迭代中只需计算矩阵最大特征值对应的特征向量。实验结果表明该方法能有效地降低计算复杂度,减少度量矩阵的学习时间,并且能取得较好的分类结果。