基于Neyman-Pearson准则和小波模极大值的边缘检测

图像边缘是对图像进行进一步处理和识别的基础,边缘都是图像上灰度不连续的点或灰度变化剧烈的地方,所以说图像的边缘就是信号的高频部分,边缘检测就是检测信号的高频部分,是图像基本特征之一。但在实际的图像中,由于噪声的存在,边缘检测成为一个难题,所以本文提出了一种基于Neyman-Pearson准则和小波模极大值的边缘检测方法,该方法能很好地检测出图像的边缘。

基于有监督机器学习的旅客购票行为建模分析

主要对旅客出行时的购票行为进行建模分析。确立旅客出行影响因素模型的基本框架,基于有监督机器学习模型和框架模型中量化的指标,建立旅客购票行为的数学模型。通过应用Pearson相关性检验与Fisher-Score准则,科学评价各特征的影响程度。通过Scott-Knott显著性检验挑选出泛化能力最好的随机森林模型,并以此为基础构建了旅客购票行为的计算模型,预测学生的购票行为,给出铁路管理局具体的建议。

宽带阵列信号处理的最佳时频空加权网络

针对宽带阵列信号,采用Nyman-Pearson准则,推导出在宽带平稳信号和噪声假设下进行检测的最佳时、频、空加权网络。同时推导出了系统的处理增益,仿真结果验证了最佳加权网络相对于采用均匀加权的常规处理具有较高的处理能力。

高光谱影像端元数目估计的谐波分析假设检验模型

端元提取是高光谱遥感研究的重点内容之一。在高光谱影像信息识别、环境监测、资源探测和丰度反演等领域有着重要运用。为了实现有效的端元提取,如何准确估计(尤其是未知区域)高光谱影像中端元数目就显得更为关键,特别是在无人或境外地区的遥感探测方面极有实际价值。端元数目估计过多或者过少,都会影响端元提取和混合像元分解的精度。基于谐波分析(harmonic analysis,HA)理论实现了高光谱影像有效去噪,并结合二元假设检验方法构建了一种高光谱影像端元数目估计的谐波分析假设检验(HA-hypothesis testing,HAHT)模型。通过AVIRIS和Hyperion高光谱影像的可行性分析与普适性验证,并与HFC(Harsanyi Farrand Chang)、特征值极大似然函数(eigenvalue likelihood maximization,ELM)和最小误差高光谱信号辨识法(hyperspectral signal identification by minimum error,HYSIME)等常规的端元数估计算法应用成果相对比,表明HAHT模型所估计的端元数目与实际地物数具有更高的吻合度。同时,采用较成熟的连续最大角凸锥(sequential maximum angle convex cone,SMACC)方法提取了端元波谱曲线,通过比较设置2(HFC估计数)、8(HAHT估计数)和14(HYSIME估计数)不同端元数的提取结果,也证明HAHT模型在估计端元数目时具有较高准确性,以及较好的适用性和应用前景。

贝叶斯检测跟踪联合处理的检测阈值设置方法

基于贝叶斯理论的检测跟踪联合处理方法能够利用目标的运动模型在帧数据间以概率的形式对信号进行积累,从而提高系统的检测性能。然而,在Neyman-Pearson准则下,该方法很难根据系统要求的虚警概率计算检测阈值,影响了该方法的应用范围。在综合分析基于贝叶斯理论的检测跟踪联合处理方法的基础上,针对Neyman-Pearson准则,详细推导了系统虚警概率同检测阈值之间的关系,并在观测噪声为高斯白噪声的情况下给出了检测阈值的近似闭式解。利用该闭式解,可以按照系统要求的虚警概率计算检测阈值,从而使得实际系统的虚警概率满足要求。最后,计算机仿真实验验证了该闭式解的有效性。

波形具有任意相关性时MIMO雷达的检测性能

基于Neyman-Pearson准则,研究了空间分集MIMO(多输入多输出)雷达发射波形相关时的自、互相关旁瓣对MIMO雷达检测性能的影响。首先,分析了波形的相关性,导致了在空间上和时间上的白高斯噪声变为相关色噪声,同时,使得接收的回波信号具有一定的相关性,影响了空间分集的效果;然后,通过理论分析得到了MIMO雷达在波形具有任意相关性时的检测概率和虚警概率的解析表达式。通过数值计算,得到如下结论:与发射正交波形相比,在高信噪比(SNR)工作时,MIMO雷达波形相关时的自、互相关旁瓣使得MIMO雷达的检测性能下降;在低SNR时,波形的相关性能够改善检测性能;波形的低自、互相关旁瓣对MIMO雷达的检测性能影响不大。

基于信息融合的二维视频深度提取方法

采用多种深度线索获取二维视频深度,可以提高视频深度提取效果.针对运动线索,通过块匹配运动估计算法获得帧间深度信息;针对帧内线索,采用Laws滤波器提取深度特征,然后利用马尔可夫随机场模型训练获得帧内深度信息;在此基础上,提出了基于信息融合的二维视频深度提取方法.该方法首先通过计算背景和运动区域的信息熵,然后利用模式识别中的Neyman Pearson准则确定视频帧的运动区域.针对该区域,在帧内深度信息获取的基础上,融合帧间深度信息.实验结果和真实深度比较,证实了该方法的有效性.

基于数据驱动多输出ARMAX建模的高炉十字测温中心温度在线估计

高炉(Blast furnace,BF)炼铁中,十字测温作为炉顶温度和煤气流分布监测的最主要手段,对高炉的安全、稳定和高效运行起着重要作用.然而,由于高炉炉顶中心部位温度较高,造成十字测温装置中心位置传感器极易损坏,并且更换周期长,因而无法及时判断炉顶煤气流分布.针对这一实际工程问题,本文基于时间序列建模思想,集成采用多输出自回归移动平均(Multi-output autoregressive moving average,M-ARMAX)建模、因子分析、Pearson相关分析、基于赤池信息准则(Akaike information criterion,AIC)与模型拟合优度联合定阶等混合技术,提出一种模型结构简单、精度较高且易于工程实现的十字测温中心温度在线估计方法.首先,提出利用因子分析与Pearson相关分析相结合的稳健特征选择方法选取多输出建模输入变量.然后,采用样本均值消去法预处理采集的高炉样本数据,使其成为离散随机数.基于离散随机数,建立算法简单、易于工程实现的M-ARMAX温度模型:为了克服传统基于AIC阶数确定造成模型阶次高、结构复杂的问题,提出在AIC准则基础上进一步引入模型拟合优度来选取模型最小阶,可保证模型估计精度的同时降低模型阶次;同时,采用可快速收敛的递推最小二乘算法辨识M-ARMAX模型参数,并用残差分析方法检验模型.工业试验和比较分析表明:建立的M-ARMAX模型能够根据实时数据同时对十字测温装置多个中心温度点进行准确和稳定估计,且模型估计误差符合高斯白噪声特性.