一种基于Parzen窗估计的鲁棒ELM烧结温度检测方法

在回转窑燃煤火焰视频模糊且干扰较大的情况下,基于火焰辐射能量和燃烧稳定程度提取多帧煤粉燃烧图像的统计特征进行烧结温度判断.为克服工业现场特征数据中的粗差干扰,将极限学习机(Extreme learning machine,ELM)与稳健估计理论相结合,用训练误差分布的Parzen窗非参数估计构造ELM权矩阵,对其输出层权值进行稳健最小二乘估计.基于上述火焰视频的统计特征,用该改进的鲁棒极限学习机(Robust-ELM)检测烧结带温度.实验结果表明,在视频图像模糊、不能用常规静态图像处理方法软测量烧结带温度时,本文方法可快速有效地检测窑内烧结温度,且检测系统不易受现场干扰,稳定性强。

基于Parzen窗估计的设备状态综合报警方法

针对现有监测报警方法难以适应工况变化和融合多元数据的缺点,提出基于Parzen窗估计的设备状态综合报警方法。该方法动态估计多元监测数据的联合概率密度函数,以局部分布边缘包络作为报警边界,随着监测数据的不断积累,逐步提高正常和故障概率分布估计的准确性,形成符合设备个性化状态发展历程的动态报警区域。通过对转子试验台和加热炉风机监测数据分析,验证了该方法的有效性。

Parzen窗估计法在图像复原中的应用探索

通过对降质图像离散退化模型与Parzen窗估计法基本公式的对比和对几种退化模型的点扩展函数特点的分析 ,揭示了点扩展函数与Parzen窗函数之间的对应关系 .提出用Parzen窗函数对点扩展函数进行估计的思路和方法 。

Parzen窗估计在潜艇目标强度统计建模的应用

研究潜艇目标强度的统计特性对水中兵器的仿真和试验分析具有重要意义。本文针对直方图统计模型的精度受区间划分影响较大,提出将Parzen窗估计方法用于潜艇目标强度的统计建模,建立潜艇典型舷角下的目标强度分布模型,并对统计特性进行分析。对Benchmark潜艇模型进行仿真计算,结果表明,采用Parzen窗估计法建立的潜艇目标强度统计模型符合潜艇的物理结构特性,能够更加准确和有效地对潜艇目标强度的统计特性进行预报。

基于参数Parzen窗估计的独立分量分析

在对盲源信号进行独立分量分析时,往往需要已知源信号的概率密度函数(PDF)。然而,由于源信号是未知的,一般事先很难知道其PDF。通常的做法是采用非参数的Parzen窗估计源信号的PDF。但是因为不同的信号具有不同的PDF,本文引入窗宽作为参数的Parzen窗来估计源信号PDF。用信息熵最小原则进行独立分量分析。模拟结果表明信号干扰比(SIR)明显提高。

一种超像素上Parzen窗密度估计的遥感图像分割方法

图像分割是高分辨率遥感图像分析中的关键步骤,对信息提取精度起到重要作用。为提高传统基于像素的遥感图像分割算法性能,提出一种在超像素上进行Parzen窗密度估计的分割算法。包括超像素初始分割、特征测量、密度估计并重新聚类3个主要步骤。在超像素初始分割阶段,采用简单线性迭代聚类算法将图像进行超像素粗分割,并将每个超像素块标记为图结构中的一个顶点;然后测量每个超像素块的Gabor纹理特征,构建高维特征向量并计算纹理间的相似度,作为图中连接2个顶点的边的权值,并在该图的最小生成树上计算2个顶点之间的距离;接着将此距离用于Parzen窗,估计每个顶点的密度,并重新聚类得到最终结果。采用多幅多光谱高分辨遥感图像验证本文提出的算法,基于目视判别以及基于准确率和召回率的定量评价,将该方法与其他分割算法的结果进行比较,验证了提出算法的有效性。

基于样条函数Renyi熵的时间分集小波盲均衡算法

针对时间分集分数间隔判决反馈盲均衡算法(TD)计算量大、收敛速度慢的缺点,该文提出了一种基于样条函数Renyi熵的时间分集小波盲均衡算法。该算法直接把定义的样条函数Renyi熵作为代价函数用于TD的权向量更新,利用分数间隔获得更详细的信道信息;由正交小波变换降低输入信号的自相关性,以加快收敛速度;利用时间分集和判决反馈结构来降低多径衰落对通信质量的影响。水声信道盲均衡的仿真实验,验证了该算法的有效性。

一种新的活动星系光谱红移自动测量方法

星系红移的自动测量对进行大样本天文学研究如宇宙学大尺度结构研究具有重要意义。星系一般分为正常星系和活动星系两种,活动星系光谱一般具有较明显的发射线特征。文章提出了一种不用精确提取谱线而快速测量活动星系光谱红移的方法。该方法包括步骤:(1)对待测光谱进行去噪;(2)利用小波变换提取低频成分光谱,并用去噪后光谱减去低频谱得到残差谱;(3)计算残差谱的均方差,并保留大于阈值的波长集合(4)根据标准谱线表计算所有候选红移;(5)利用Parzen窗估计方法计算红移密度最大点,并在邻域内求均值确定最终红移。对模拟数据和SDSS DR7部分实测数据的测试表明,该方法是鲁棒的并且具有较高的红移测量正确率。

供应链并发协商粒子群优化模型研究

针对供应链企业之间的产销协同问题,将多Agent技术运用于二级供应链中,建立一种不完全信息约束下的并发协商模型。基于粒子群优化的协调策略可以在协商过程中更新协商Agents信念值进而支持连续协商。仿真结果表明此模型的可行性和有效性,与其他并发协商模型相比,该模型在协商结果效用、协商时间、协商成功率方面具有优势。

基于2阶Renyi熵的自适应主动噪声控制

在前馈主动噪声控制中,基于均方误差准则的传统算法仅考虑了信号的2阶统计量,忽略了实际存在的非高斯信号,不能满足对非高斯噪声的控制要求.提出基于2阶Renyi熵的滤波X自适应有限脉冲响应(finite impulse response,FIR)主动噪声控制算法,定义2阶Renyi熵作为性能指标,利用Parzen窗方法估计误差的概率密度函数,给出基于2阶Renyi熵的信息梯度下降算法,实现自适应FIR控制,同时分析了算法的收敛性和计算复杂度.对单频信号和实测宽带非高斯噪声的仿真结果表明该算法能很好地消除非高斯噪声.

采用非参数方法建模的短时话者识别

在与文本无关的声纹识别研究中,目前性能较好而且较成熟的系统均是基于训练并在测试数据时长较长的情况下获得的,如NIST评测中的核心测试环境下训练和测试语音时长约5分钟.而在实际应用中,由于声纹识别的特殊性,用户一般都不太配合,通常很难获得足够多的训练语音数据,从而限制了经典的话者识别系统,大大降低了其性能.本文针对与实际应用直接相关的短时话者识别,提出了一种采用Parzen Window的非参数估计方法,对目标话者的短时数据进行建模,从而达到提高话者模型推广能力的目标.该方法在NIST SRE2006的短时任务10s训练,测试的实验结果与传统的GMM-UBM得分融合后,在等错误率EER下比基线系统相对降低了10.76%.

面向用户兴趣密度分布的协同过滤推荐算法

针对评分数据稀疏和单一评分相似性计算不准确导致推荐质量不高的问题,提出一种面向用户兴趣密度分布的协同过滤推荐算法.在计算项目类别相似度的同时,引入类别的信息熵以确定项目之间距离,在此基础上采用Parzen窗估计方法获取用户在整个项目空间上的兴趣密度分布,最后结合用户属性差异性和兴趣密度之间相对熵以确定目标用户的最近邻居用户集.实验结果表明,该算法在避免数据填充所引入误差的同时,有效提升数据稀疏情况下的推荐质量.

基于改进朴素贝叶斯的区间不确定性数据分类方法

基于Parzen窗的朴素贝叶斯在区间不确定性数据分类中存在计算复杂度高、空间需求大的不足。针对该问题,提出一种改进的区间不确定性数据分类方法 IU-PNBC。首先采用Parzen窗估计区间样本的类条件概率密度函数(CCPDF);然后通过代数插值得到类条件概率密度函数的近似函数;最后利用近似代数插值函数计算样本的后验概率,并用于预测。通过人工生成的仿真数据和UCI标准数据集验证了算法假设的合理性以及插值点数对IUPNBC算法分类精度的影响。实验结果表明,当插值点数大于15时,IU-PNBC算法的分类精度趋于稳定,且插值点数越多,算法分类精度越高;该算法可以避免原Parzen窗估计对训练样本的依赖,并有效降低计算复杂度;同时由于该算法具有远低于基于Parzen窗的朴素贝叶斯的运行时间和空间需求,因此适合解决数据量较大的区间不确定性数据分类问题。

一种基于最大熵准则的盲解卷积改进算法

独立源信号的卷积混合比线性混合更接近真实情况。利用非参数概率密度估计方法———Parzen窗函数估计法 ,提出了一种具有良好适应性的盲解卷积改进算法。该算法可以在无需知道信号分布形式的情况下 ,较准确地估计出密度函数值 ,且比传统的最大算法中采用固定的概率密度函数估计更接近信号点的真实概率密度。同时 ,此算法还具有无论对规则、单峰分布还是不规则、多峰分布都可以取得较好的估计的优点。因此 ,在理论上 ,改进算法可以获得比传统算法更优越的分离性能且能广泛地应用于具有各种分布的信号。实验结果证实 ,这一算法能有效地从各种分布的信号包括真实语音、图像等构成的卷积混合信号中恢复出原始信号。与最大熵算法相比 ,改进算法具有更好的分离性和更广泛的适用性。

基于二次互信息的特征选择算法

将二次互信息(mutual information)用作模式分类问题中特征选择的准则,分析了该准则在再生核希尔伯特空间中的几何意义.在二次互信息准则基础上,提出了基于Parzen窗密度估计和后向删除策略的特征选择算法PW-QMI,同时针对大规模数据集的情况给出了基于高斯混合模型的算法GMM-QMI,以减小算法的计算复杂度.通过与相关度算法和SVM-RFE算法的实验比较,证明了该算法在特征选择问题上具有更为稳定的性能.

加权Laplacian分类器

传统的Laplacian分类器通过Parzen窗估计概率密度函数,而后基于Cauchy-Schwarz散度(Cauchy-Schwarz Divergence,CSD)定义分类准则进行分类,主要强调了小概率类别,致使对较高概率的类的分类效果较一般.针对此,提出了一个改进方法.关键是对小样本类用加权代替无权的Parzen窗概率密度估计,并用CSD作为代价函数优化相应的权值,而后依据Laplacian分类准则设计出加权Laplacian分类器(Weighted Laplacian Classifier,WLC).在所用测试数据集,尤其是不平衡数据集上的实验表明,WLC的结果明显优于Lapalcian分类器.

一种改进的雷达辐射源识别在线学习方法

针对支持向量机分类器学习新增样本知识实时性差的问题,本文研究了一种基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法。通过Parzen窗密度估计剔除样本孤立野点,通过求取样本集的壳向量缩短训练时间,利用训练好的分类器完成雷达信号样本识别。仿真实验表明,提出的基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法具有良好的时效性和较高的正确识别率。

面向类不平衡数据的K近邻偏标记学习算法

针对于类不平衡的偏标记学习问题,在PL-KNN算法的基础上,提出一种可以较有效处理类不平衡问题的偏标记K近邻学习算法(K-nearest neighbor algorithm for class imbalanced partial label learning,IM-PLKNN),利用Parzen窗估计法在样本的不同类别的近邻上设置不同的权重,使多数类样本权重降低,让属于少数类样本的近邻具有更高的权重,降低将少数类样本误测为多数类样本的概率,提高对少数类样本的识别精度。试验结果表明,IM-PLKNN算法较PL-KNN算法在不同评价指标上均有显著提高,特别是对少数类样本的识别精度有大幅度提高。IM-PLKNN算法可以有效提高类不平衡的偏标记K近邻学习算法对数据集整体的预测性能。

基于Adaboost算法在葡萄酒酒品分类中的实际应用

在我们的生活中,常常会把一定数目的物品按一定要求分类的问题。目前,Adaboost算法在分类算法十分成熟,得到广泛应用。本文就Adaboost算法在葡萄酒酒品分类中的实际应用展开研究。