基于深度学习特征的多模态人脸快速识别研究

多模态人脸识别对于人脸信息挖掘具有重要意义,但目前的多模态人脸快速识别方法的识别率低,误差率高,无法满足快速识别人脸的要求。为了解决该问题,设计基于深度学习特征的多模态人脸快速识别方法。建立人脸特征提取网络,利用几何、模型、统计三个相互并行的卷积神经网络通道,结合深度学习特征分析算法建立卷积神经网络模型,提取人脸特征,由池化操作得到三条特征曲线,并对人脸特征点进行定位。得到人脸特征点后,利用贝塞尔人脸模型建立3D模型,融合卷积神经网络提取到的人脸特征,得到特征向量,利用联合贝叶斯算法计算两个独立的高斯变量,快速识别多模态人脸。实验结果表明,基于深度学习特征的多模态人脸快速识别方法的识别率高达95%,误差率极低,能够在短时间内完成多模态人脸识别工作。

基于多普勒域补偿的车载雷达距离角度联合成像算法

高性能、高分辨率单快拍前视成像技术是赋能车载雷达发展的关键,但距离/多普勒走动问题会限制相干积分的实施,同时系统分辨率也往往受限于硬件参数难以提高。根据车载毫米波雷达时分多输入多输出(TDMMIMO)的前视成像体制,该文提出多普勒域补偿和点对点回波校正方法,完成多域信号解耦合,同时完成距离多普勒走动校正和多普勒解模糊。由于有限阵元数及强噪声干扰限制了传统单维度距离角度成像准确性,因此,该文提出一种基于改进贝叶斯匹配追踪方法(IBMP)的多域联合估计算法。该方法基于伯努利-高斯(BG)模型,在最大后验(MAP)准则约束下迭代更新估计参数和支撑域,实现了多维联合信号的高精度重构。仿真和实测结果表明该文方法能够有效解决距离走动问题,并提高雷达前视成像的角度分辨率,具有较强噪声鲁棒性。

一种改进的多模块贝叶斯网络局部推理算法

针对多模块贝叶斯网络的局部推理的时间和空间复杂度高的问题,提出了一种改进的多模块贝叶斯网络局部推理算法.该算法用面向对象语言重新定义了多模块贝叶斯网络模型,在联合树推理算法的基础上结合图论中"顶点度"的概念对局部推理算法进行了优化,针对三角化结果不唯一的问题,给出了一种一般性的解决方案,使三角化后的结果能够将消息传递得更快,有效地缩短推理时间.给出了算法的仿真实例并进行实验分析,结果表明改进后的推理算法有效减小时间、空间复杂度.

基于动态贝叶斯网络的战斗目标综合推理识别

针对空战战场环境下的目标可靠识别,提出了基于动态贝叶斯网络的战斗目标综合推理识别方法。分析了目标属性的多层次及状态变量关系,提出了层次化的战斗识别动态贝叶斯网络拓扑结构及其参数设定方法,并运用时间片联合树算法进行不确定性动态推理,实现动态的目标属性判断与识别。仿真结果给出了目标的多层次属性信息,验证了模型的有效性。

联合均值与方差模型的Bayes分析

研究联合均值与方差模型的Bayes分析,通过应用Gibbs抽样和MetropolisHastings(MH)算法计算模型未知参数的Bayes估计与Bayes数据删除影响诊断统计量.模拟研究和实例分析说明该方法的可行性.

一种基于粒子滤波的联合跟踪与分类算法

针对纯运动学信息联合跟踪与分类问题,提出了一种基于混合无味粒子滤波的联合跟踪与分类算法。在传统粒子滤波联合跟踪与分类算法的基础上,通过采用无味变换,利用多个无味卡尔曼滤波器给出更高质量的粒子建议分布,提高整个算法的性能。理论分析和仿真结果都表明,与传统粒子滤波联合跟踪与分类算法相比,该算法无论在跟踪精度还是在分类正确率上都有明显的提高。

基于决策图贝叶斯的盲源信号分离算法

从混合观测数据向量中恢复不可观测的各个源信号是阵列处理和数据分析的一个典型问题。提出了一种基于决策图贝叶斯的盲源信号分离算法,该算法利用决策图贝叶斯优化算法代替JADE算法中的联合对角化操作,通过构造和学习网络来替代传统遗传算法中的交叉重组和变异等遗传算子,避免了对大量控制参数和遗传算子的人工选择和重要构造块的破坏。仿真结果表明,提出的算法比JADE算法和基于遗传算法的盲源信号分离方法均具有更高的分离精度。

贝叶斯网络中基于联合树算法的学生模型更新方法研究

在已建立的覆盖型贝叶斯网络学生模型的基础上,用联合树算法来实现推理更新.通过建立Moral图、构造三角化图、区分团节点,然后将学生模型转化为联合树的结构,最后通过消息传递来完成整个学生模型的更新.

单纯形分布联合位置与散度模型的贝叶斯变量选择

受Kuo和Mallick思想的启发,文章应用Gibbs抽样和MH算法研究单纯形分布联合位置与散度模型的贝叶斯变量选择问题。模拟研究的数值例子说明了该方法的可行性与有效性。

联合均值与方差模型的贝叶斯变量选择

受Kuo和Mallick思想的启发,文章应用Gibbs抽样和MH算法对联合均值与方差模型的贝叶斯变量选择问题进行研究。数值例子说明了该变量选择方法的可行性和有效性。

联合稀疏信号恢复的贪婪增强贝叶斯算法

本文针对联合稀疏信号恢复问题,提出了一种贪婪增强贝叶斯算法.算法首先利用联合稀疏的特点对信号进行建模,然后在贝叶斯框架下,提出一种贪婪推理方式对信号恢复问题进行迭代求解.在迭代过程中,提出算法利用贝叶斯估计的方差信息来增强支撑恢复的结果,极大地提高了算法对信号恢复性能.理论分析表明:提出算法与同步正交匹配追踪算法具有相同的计算复杂度,远低于其他联合稀疏信号恢复算法.提出方法在具有高恢复精度和较低计算复杂度的同时,兼具贝叶斯方法和贪婪算法的优点.数值仿真验证了理论分析的有效性.

基于贝叶斯网络的学生成绩预测

以山东理工大学数学与统计学院统计学专业2015级学生的7门主干学科成绩作为数据样本,通过贝叶斯网络的结构学习直观地得到了7门学科之间的关联性;基于贝叶斯网络拓扑结构进行了网络的参数学习,得到了各学科成绩的条件概率;最后利用贝叶斯网络推理的联合树算法给出了学生的成绩预测,并用实例证明了贝叶斯网络成绩预测的可行性。

基于贝叶斯网络的海盗袭击事件影响因素

为分析海盗袭击事件的影响因素,减少海盗袭击事件的发生,保障海上运输安全,引入贝叶斯网络理论,利用期望最大化(Expectation Maximization,EM)算法和联合树推理算法构建海盗袭击事件分析模型。根据东南亚海域海盗袭击事件的实际数据获得贝叶斯网络(Bayesian Networks, BN)结构各节点之间的概率依赖关系,并对海盗袭击成功节点进行敏感性分析。分析结果表明:外界环境、船舶自身风险和时间是影响海盗袭击事件发生的主要因素。

基于联合聚焦/超分辨模型和M-H算法的雷达图像重建

针对雷达目标图像,基于散射/成像模型,利用Metropolis-Hastings(M-H)迭代算法,给出了一种数字M-H贝叶斯联合聚焦/超分辨重建方法,通过产生一系列描述目标散射截面(RCS)和散焦参数概率分布特征的样本,从而获得目标RCS元和散焦参数的最佳估计,最终实现低分辨率图像的超分辨率重建。以合成与实测图像数据为例,对本文方法进行了演示,同时基于信噪比(SNR)指标,对其重建性能进行了比较和评估。实验结果表明,本文提出的方法对雷达图像重建效果良好,可用于合成孔径雷达、逆合成孔径雷达及实波束成像等雷达图像的重建。

带有不可忽略缺失数据的联合均值与方差模型的贝叶斯估计

对响应变量带有不可忽略缺失数据的联合均值与方差模型的贝叶斯估计问题进行了研究.缺失数据机制通过logistic回归模型来指定,模型参数和缺失数据机制参数的联合贝叶斯估计通过运用MH算法及Gibbs抽样获得,并用数值计算阐明上述方法的可行性.

基于BMI模型的三关节假肢运动的优化控制

生物神经系统一直以来被作为机器人控制器的研究灵感之一,人们试图借用以生物为启发的控制模型来控制外部设备,使得其能达到类似生物般的运动效果.鉴于此,以一种模拟大脑皮层神经元放电活动为基础的闭环脑-机接口(BMI)模型为控制器,控制简化后的三关节人工假肢完成目标位置的抓取动作,并在给定目标距离下,建立三关节假肢的简化模型,由此提出时间与动能的损失函数以描述假肢运动过程产生的损耗.最后利用一种贝叶斯迭代算法求取假肢的最佳运动方式,使其在完成目标抓取动作时损失函数值最小,进而完成对假肢运动控制的优化并取得较好的控制效果.

Turbo类码在非标准信源—信道上的有效性

给出信源为非均匀二进制独立同分布源和信道为非标准信道下有关Turbo码的设计和有效性的问题。编码器的设计针对非均匀独立源来说应是最佳化的。译码算法根据信源在非平均形式下的冗余性进行修正;同时根据信道的不同特性而对译码算法提出不同的修正方案。从而得出结论,Turbo类码在信源和信道均为非标准情况下仍然是有效的。