基于互信息熵差测度和Gauss-Markov随机场模型的医学图像分割

图像分割类数的确定一直是个难点,基于互信息熵差测度进行图像分割类数的确定,较好地解决了该问题.互信息熵差描述了随着分割类数增加时分割图像和原图像互信息量的增加程度,其作为一种类数确定测度时,可认为取得了一种分割类数与分割图像中所包含信息量的平衡,以此提出了分割类数确定的判别规则.在分割算法方面,Gauss-Markov模型既利用了图像的灰度信息,又通过Gibbs先验概率引入了图像的空间信息,能较好地用于分割含噪声的图像.然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试.针对此问题,提出了一种类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性.再将模型利用EM-MAP算法来迭代求解.最后,将算法应用于医学图像的分割,实验表明该算法具有满意的分割效果.

Gauss-Markov估计关于误差分布的稳健性

对于一般线性模型y=Xβ+ε,本文讨论了在广义均方误差准则及均方误差矩阵准则下,未知参数β的可估函数Xβ的Gauss-Markov估计关于误差分布的稳健性,分别给出了误差项ε的最大分布类,使得误差项ε的分布在此范围内变动时,Gauss-Markov估计在相应准则下是最优估计.

Gauss-Markov模型参数的部分根方估计

在分析根方估计、Stein均匀压缩估计、Sclove部分压缩估计各自特点的基础上,提出了一种新的有偏估计部分根方估计,并讨论了它的优良性质。计算结果表明,在设计阵呈病态时,部分根方估计确能改善LS估计。

Gauss-Markov加密矩阵构造及图像加密应用

为了解决加密矩阵难以构造的问题,提出一种获得整数矩阵的新算法,利用Gauss-Markov过程生成一个随机序列,将该序列转换为一系列的低阶整数矩阵,从中寻找行列式等于1的整数矩阵,并对这些矩阵进行张量积运算得到高阶加密矩阵,应用于数字图像加密。加密实例和理论分析及对比表明,该算法可自动生成安全性很高的加密矩阵,且加密结果具有良好的随机特性和自相关性,能满足密码学的要求。

平衡损失下一般Gauss-Markov模型中回归系数的最优估计（英文）

在平衡损失下,我们研究了一般Gauss-Markov模型中回归系数的最优估计,首先我们得到了线性估计为最佳线性无偏估计的充分必要条件;其次证明了平衡损失下的最佳线性无偏估计在几乎处处意义下是唯一的,并且是普通最小二乘估计和二次损失下最优估计的平衡;最后,我们讨论了最优估计关于损失函数和模型设定的稳健性,并得到了该最优估计在模型误定下具有稳健性的充分必要条件.

Gauss-Markov模型参数的岭型广义逆估计及其优良性

本文继续文献 [10 ]的工作 ,进一步讨论了测量平差 Gauss- Markov模型参数岭型广义逆估计的若干性质 ,如允许性、优效性、相对效率、抗干扰性等等 ,得到了许多重要结论。计算结果表明 ,在设计阵呈病态时 ,岭型广义逆估计确能明显改善 L

生长曲线模型中Gauss-Markov估计的存在性

本文给出了生长曲线模型(?)中Eyy′的GME(Gauss-Markov估计)存在的克要条件,也给出了Ey的GME存在的充要条件。作为推论,给出了[2]中的定理3及定理4,其中(?)=(y_1,…,y_p),y=(y′_1,…,y′_p)′。y依准正态分布。

一般Gauss-Markov模型中参数岭估计的可容许性的一个证明

讨论一般Gauss-Markov模型中参数岭估计的有关问题 ,并在均方误差矩阵意义下 ,证明了一般岭估计在线性估计类中是否容许估计。

基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。

Gauss-Markov载体下扩频隐写的抗检测性能分析

为了研究载体数据相关性等对数字隐写安全性的影响,使用Gauss-Markov过程建模载体求解了扩频隐写系统的Kullback-Leibler divergence(KL散度)。首先,建立了以KL散度为度量标准的隐写系统安全性能分析框架;然后,选择Gauss-Markov过程建模载体,得到了扩频隐写系统的KL散度计算公式;分析相关系数、嵌入噪声相对强度、可用数据总数等参数对KL散度的影响,发现载体数据相关性越强,嵌入噪声强度越大,以及相同数据使用率下,载体可用数据总数越大,隐写系统抗检测性能越差。以图像为载体的实验结果验证了该方法的正确性。

利用Gauss-Markov过程的着陆小天体导航与制导方法

给出一种利用Gauss-Markov过程的自主着陆小天体导航与制导算法,来解决无法得到精确的轨道动力学模型带来的轨道确定困难问题。主要是在导航算法中,采用一阶高斯-马尔科夫过程近似着陆探测器轨道动力学中的无模型加速度,利用扩展卡尔曼滤波估计探测器的位置、速度及无模型加速度。通过数学仿真分析了给出的自主导航与制导系统的性能,并对比了采用与不采用一阶高斯-马尔科夫过程的导航滤波器性能,结果表明前者明显优于后者。

矩阵损失下一般Gauss-Markov模型线性预测的可容许性

本文研究了一般Gauss-Markov模型中线性可预测变量的线性预测的可容许性.在给出线性预测可容许性定义的基础上,通过构造一个特殊的常量矩阵D0,分别得到了齐次和非齐次线性预测类中可容许的充要条件.

复共线Gauss-Markov模型参数估计的最小描述长度方法

Gauss-Markov模型是多元数据分析处理工作中常用的模型,其参数估计与筛选一直是研究的热点。当Gauss-Markov模型的设计矩阵存在复共线性时,常用主成分分析方法来筛选和估计其参数,消去它们之间的复共线性,提高估计准确度。基于最小描述长度原理,提出了一种新的参数筛选估计方法。该方法应用最小描述长度原理选择主成分作为参数,其参数的可靠性较高;从信息的角度看,这种方法的信息损失最小。最后实例说明了该方法的有效性和可靠性。

基于Gauss-Markov随机场的贝叶斯盲复原

针对图像盲复原中图像细节恢复的同时块效应放大的问题,提出了一种贝叶斯盲复原算法。首先使用贝叶斯框架模式,对原始图像、观察图像、点扩散函数(PSF)及模型参数分别建立先验模型,并将能有效描述图像局部统计特征的带有高斯特性的Markov(Gauss-Markov)随机场模型作为原始图像的先验模型;然后利用贝叶斯公式推导出原始图像及点扩散函数的迭代公式。实验结果表明,与总变分(TV)先验模型的恢复图像相比,所提算法的恢复图像块效应明显减少,并且视觉效果更好;在点扩散函数的大小已知和未知的情况下,相比TV先验模型,所提算法的改善信噪比(ISNR)能提高1 dB左右。

带约束的一般Gauss-Markov模型下的线性充分性和线性完全性

本文将文[1,2]的结果扩展到了有约束的线性模型。

回归模型中一个Gauss-Markov估计的存在问题

Drygas,H.在[1]中讨论了方差协方差分量模型中某些 Gauss-Markov 估计(以下简记为 GME)的存在问题,作为一个例子。

基于非线性Gauss-Markov模型与广义EIV模型的矿区高程拟合方法研究

论文以矿区沉降观测的高程异常拟合为案例,分别基于非线性Gauss-Markov(GM)模型和广义EIV(error-in-variables,EIV)模型详细推导了煤矿开采沉陷区高程异常拟合方法。通过实测数据和仿真数据表明:在实测实验中,由于是等权的方式,广义EIV模型与非线性GM模型的估计结果一致且精度相当,与文献[8]的结论一致,表明了论文方法的正确性;在仿真实验中,广义EIV模型的参数与外推检核点的高程异常估值的均方根均小于非线性GM模型的结果。这也表明在加权条件下,广义EIV模型处理精度要优于最小二乘法的仿真数据处理精度。因此,应结合实际情况,选择合理的方法进行矿区高程异常拟合。

联邦滤波算法与Gauss-Markov估计的统一性分析

从矩阵论和数理统计理论的角度,阐述了联邦滤波与Gauss-Markov估计的内在联系,论证了联邦全局最优滤波与Gauss-Markov估计的统一性。推导了基于Gauss-Markov估计的联邦滤波信息融合算法,并与最小二乘估计的信息融合算法以及集中卡尔曼滤波算法在舰载组合导航系统中应用进行了对比。仿真结果表明,基于Gauss-Markov估计的联邦滤波信息融合算法与集中式卡尔曼滤波的精度相当,两者的估计精度均高于最小二乘估计,前者具有全局最优性。

Estimation on principal component of multi-collinearity Gauss-Markov model based on minimum description length

Gauss-Markov model is frequently used in data analysis; the analysis and estimation of its parameters is always a hot issue. Based on the information theory and from the viewpoint of optimal information on description—minimum description length, this paper discusses a case: where there is multi-collinearity in the coefficient matrix, principal component estimation is used to estimate and select the original parameters, so as to reduce its multi-collinearity and improve its credibility. From the viewpoint of minimum description length, this paper discusses the approach of selecting principal components and uses this approach to solve a practical problem.

Gauss-Markov结构下GM估计关于线性变换的不变性

在文[1]的基础上讨论了Gauss-Markov结构下线性变换对GM估计所产生的偏差,并减弱了文[1]的相关条件,给出了同一可估函数的GM估计具有不变性的充分必要条件.