Mean Shift算法的收敛性分析

作为迭代算法,Mean Shift的收敛性研究是应用的基础,而Comaniciu和李乡儒分别证明了Mean Shift的收敛性,但证明过程存在错误.首先指出了Comaniciu和李乡儒的证明过程存在错误;然后,从数学上重新证明了Mean Shift算法的局部收敛性,并指出其收敛到局部极大值的条件;最后,从几何上举反例分析了Mean Shift的收敛性,并进行了深入比较和讨论.这为Mean Shift算法的深入研究及应用奠定了基础.

基于Logistic回归的零件图像区域提取

针对机器人自动化生产线中视觉定位零件的问题进行了研究,为了能够快速地在复杂背景中提取出零件图像区域,提出了一种基于Logistic回归的零件图像区域提取的机器视觉算法。首先,在工作场景图像中采集若干正类和负类样本点;然后,将样本点的BGR值进行格式上的整理并保存;其次,将整理的数据代入按照梯度上升法推导的公式中,计算Logistic最佳回归系数;最后,载入待处理图像,使用Logistic回归分类器对其中的每个像素进行分类,提取出零件区域。实验表明,该算法提取出的零件图像区域边缘清晰,实时性高,且由于输入为像素点的BGR值,所以对零件的外形没有要求,也不需要额外的夹具。

基于梯度模分布的视点选择

在三维体数据的可视化中,信息的获取不仅与传输函数的设置有关,而且与用户观察的视点有关。提出一种新的应用直接体绘制来可视化体数据时最佳视点的选择算法,通过计算梯度模在图像上的分布,寻找梯度模分布最为均匀且投影面积最大的视点方向,同时,在视域球上离散采样得到初始视点墒分布后,使用自适应步长的梯度下降法来优化全局最佳视点方向。实验结果证实了所提出方法能够有效地找到最佳视点。

非凸极小极大问题的优化算法与复杂度分析

非凸极小极大问题是近期国际上优化与机器学习、信号处理等交叉领域的一个重要研究前沿和热点,包括对抗学习、强化学习、分布式非凸优化等前沿研究方向的一些关键科学问题都归结为该类问题。国际上凸-凹极小极大问题的研究已取得很好的成果,但非凸极小极大问题不同于凸-凹极小极大问题,是有其自身结构的非凸非光滑优化问题,理论研究和求解难度都更具挑战性,一般都是NP-难的。重点介绍非凸极小极大问题的优化算法和复杂度分析方面的最新进展。

低信噪比下RSC码快速迭代寻优识别算法

为了解决现有算法在RSC码多项式参数识别过程中,实时性不好和容错性差两大缺点,提出了具有低信噪比适应能力的RSC码快速迭代识别算法.首先根据RSC码元之间的线性约束关系,定义了双曲正切符合度概念,该概念能够表征在某一多项式参数下,截获码元之间的线性关系成立的可能性大小;其次将截获码元总的双曲正切符合度值作为代价函数,然后将待识别的多项式参数的概率值作为代价函数自变量,从而将RSC码参数识别问题转化为多元函数极大值求解问题;最后利用变步长梯度上升方法,在有限次的迭代下,完成在连续概率空间中代价函数极大值求解,最终完成RSC码参数识别.提出的算法收敛速度快且稳定,除了具有较强的低信噪比适应能力外,其计算量与编码器寄存器个数以及码元路数成平方倍数增长.仿真实验表明:提出的算法最多在第5次迭代时,就能完成参数的收敛,同时低信噪比的适应能力较强,即使在0dB条件下,RSC码多项式参数识别率能达到90%以上;与现有的相关算法相比,所提算法的低信噪比适应能力提高了近3dB,同时完成一次参数识别的时间大大降低.

主子空间跟踪信息准则及算法

信息准则在发展主子空间跟踪算法中具有十分重要的意义.目前,主子空间信息准则还不多见,为此本文提出了一种新型的主子空间跟踪信息准则.当且仅当神经网络权矩阵收敛到信号主子空间的一个正交基时,该信息准则取得唯一全局极大值.通过梯度上升法对该信息准则求极值导出了一个主子空间跟踪算法.最后通过仿真实验和实际应用证明了所提算法的正确性和实用性.

基于Hopfield网络的极小值问题学习算法

针对 Hopfield神经网络 (HNN )所存在的极小值问题及缺乏学习能力的问题 ,提出了一种学习算法。将决定约束条件权值大小的系数作为学习参数 ,在参数空间里使参数向着 HNN能量上升最快的方向学习 ,使网络状态能够有效地从可能陷入的极小值状态中逃脱出来。对于在状态空间里陷入极小值状态的 HNN,首先在参数空间里修正参数 ,然后再返回到状态空间里进行状态更新 ,如此反复 ,直至找到最优解或满意解。算法的有效性通过仿真实验进行了验证。该算法分别被应用于 10城市和 2 0城市的旅行商问题 。