基于特征点动态选择的三维人脸点云模型重建

针对典型的点云配准方法中伪特征点过多导致配准效率低和配准结果不精确的问题,提出一种基于特征点动态选择的三维人脸点云模型重建方法。该方法在粗配准阶段,采用动态特征矩阵求解法获取粗匹配特征变换矩阵以避免伪特征点的干扰。在精配准过程中,采用二次加权法向量垂直距离法在人脸流形表面选择更有效的特征点以减少伪特征点的数量,并采用基于特征融合与局部特征一致性的迭代最近点方法进行精配准。经过对比实验验证了算法的可行性,实验结果表明,该算法能够实现高精度且快速的三维人脸点云模型重建,且均方根误差达到1.8165 mm,相较其他算法,其在模型重建精度和效率方面都有所提升,具有良好的应用前景。

概率图模型的表示理论综述

概率图模型结合概率论与图论的知识,利用图结构表示变量的联合概率分布,近年已成为不确定性推理的研究热点.随着概率图模型在实际领域中的应用日益增加,不同的任务和应用环境对概率图模型的表示理论提出了不同的新要求.本文总结出近年来提出的多种概率图模型的表示理论.最后指出概率图模型的进一步研究方向.

基于归一化向量的文本分类算法

基于归一化思想和矩阵投影运算提出一种文本分类算法。该算法综合考虑单个类别内的文档频率和词频,用于进行矩阵投影运算。将训练样例中表示文本特征的三维空间投影到二维空间上,得到归一化的特征向量,可有效地达到降低特征空间维数、提高分类效率和精度的目的。与kNN算法的对比实验表明,该算法在时间性能和精度上都有较大提高。

基于二次测量误差模型的基本矩阵计算

基于二次测量误差模型,提出计算基本矩阵的一个鲁棒方法.通过对匹配点对做平移和尺度调整等规范化处理,增强算法的数值稳定性.并应用高效的黄金分割法求解一维不可微优化问题确定噪声水平,进而得到基本矩阵.数值实验结果表明了该方法的有效性.

矩阵的子矩阵与线性模型的假设检验

通过证明矩阵 X,X′X及其子矩阵的一个关系式 ,得到了多元正态线性模型( Y,X﹀,σ2 In)

马尔可夫预测法在国际服装流行色预测中的应用

马尔可夫(MarKov)预测法是应用概率论中的马尔可夫链的理论和方法来研究随机事件的变化,并借此分析预测未来变化趋势的一种方法。文章以国际流行色权威机构国际色彩委员会发布的2007—2011年的国际女装春夏流行色定案为分析对象,应用马尔可夫预测方法对流行色定案的色彩进行预测分析,以原始数据与预测数据的相对误差百分比探讨此方法的预测精度。结果显示:应用马尔可夫预测法对5年来色彩的预测精度稳定性不统一,但是对蓝色调的预测精度很高,达90%。

一种新的基于图论的图像分割算法

传统的基于图论的图像分割方法计算复杂度大,对图像亮度变化比较敏感,且分割效果有待提高。针对传统算法的不足,提出一种新的基于人眼视觉特征的图像阈值分割算法。该算法基于图论和归一化划分准则,并把对数图像处理模型(LIP模型)应用到图像处理中。同时,该算法综合考虑像素的灰度信息和空间位置信息,具有全局性,使分割目标比现有方法更为准确,且时间复杂度适中。实验结果表明,该算法不仅有效地分割出目标来,而且在图像亮度小幅度变化时,效果稳定可靠。

多重线性回归模型的贝叶斯预报分析

多重线性回归模型的贝叶斯预报分析是贝叶斯线性模型理论的重要组成部分。通过模型系统的统计结构,证明了矩阵正态—Wishart分布为模型参数的共轭先验分布;利用贝叶斯定理,根据模型的样本似然函数和参数的先验分布推导了参数的后验分布;然后,从数学上严格推断了模型的预报分布密度函数,证明了模型预报分布为矩阵t分布。研究结果表明:由于参数先验分布的作用,样本的预报分布与其原统计分布有着本质性的差异,前者服从矩阵正态分布,而后者为矩阵t分布。

多方程线性模型系统的贝叶斯预报分析

多方程线性模型系统的贝叶斯预报分析是贝叶斯线性模型理论的重要组成部分.作者利用模型系统的统计结构,证明了矩阵正态-Wishart分布为模型参数的共轭先验分布.利用贝叶斯定理,作者根据模型的样本似然函数和参数的先验分布推得了参数的后验分布,然后从数学上严格推断了模型的预报分布密度函数,证明了模型预报分布为矩阵t分布.研究表明由于参数先验分布的作用,样本的预报分布与其原统计分布有着本质性差异,前者服从矩阵正态分布,而后者服从矩阵t分布.

水电站水库入库径流随机模型

在水电站水库优化调度中，水库入库径流的描述直接影响水库运用的动能经济效益和工程安全．为了更客观地反映雨源型河川径流内在的随机特性和时历特性规律，较好地反映河川径流的连续性，将中小型水库入库径流过程按连续随机过程处理，提出雨源型水库的入库径流具有马氏链特性的条件，将十分复杂的径流关系简化为相邻时段间的相关关系，使问题大为简化．根据卡氏建议，将径流转换成对应的另一变量，按正态分布规律的频率密度分配微分方程，建立全年各时段的径流转移概率矩阵数学模型，作为水库入库径流的数学描述。

融合用户兴趣模型与会话抽取的微博推荐方法

针对传统推荐方法在短文本处理方面的不足,提出一种基于用户兴趣模型与会话抽取算法的微博推荐方法。该方法应用基于归一化割加权NMF的微博用户兴趣模型获取用户—主题矩阵,产生用户感兴趣的微博主题,结合基于Single-Pass聚类模型的会话在线抽取算法SPFC(single-pass based on frequency and correlation)获取微博的会话队列,并与用户感兴趣的微博主题进行相似度计算,最后得到实时的微博推荐结果。实验表明,此方法能有效地进行微博推荐。

Fisher信息阵在矩阵不等式证明中的应用

利用多元正态分布以及Fisher信息阵的单调性和可加性,证明了几个常见的矩阵不等式和多参数Cramer-Rao不等式,而证明的过程没有使用矩阵理论。

阵列感应测井资料的快速迭代反演

本文研究并建立了水平层状介质中阵列感应测井资料的快速迭代反演算法 ,以便快速有效地重构地层原状电阻率、侵入带电阻率、侵入半径以及层界面深度。首先 ,利用摄动原理和半解析正演模拟技术 ,建立 Fréchet导数矩阵的快速算法 ,该矩阵包含了测井响应对所有模型参数的偏导数 ,且通过规范化处理技术确定测井资料相对摄动与模型向量相对变化之间的一般关系 ,从而克服了模型参数物理量纲的不同对反演算法的影响。在此基础上建立了一种新的快速迭代反演算法 ,即充分利用子线圈系分辨率和探测深度的差异 ,将反演过程分解成两个部分 :1对短源距线圈系和长源距线圈系视电导率分别进行一维迭代反演 ,确定出与实际模型真值更加接近的模型向量 ;2再对整个阵列感应测井资料进行二维迭代反演 ,实现理论模拟与整个测井资料的最佳拟合。

多重线性回归模型系统的贝叶斯预报分析

指出多重线性模型系统的贝叶斯预报分析是贝叶斯线性模型理论的重要组成部分.通过模型系统的统计结构,证明了矩阵正态-Wishart分布为模型参数的共轭先验分布;利用贝叶斯定理,根据模型的样本似然函数和参数的先验分布推导了参数的后验分布;然后,从数学上严格推断了模型的预报分布密度函数,证明了模型预报分布为矩阵t分布.研究结果表明:由于参数先验分布的作用,样本的预报分布与其原统计分布有着本质性的差异,前者为从矩阵正态分布,而后者为矩阵t分布.

一种不等长的多模态间歇过程故障检测方法

提出一种不等长的多模态间歇过程故障检测方法。首先,运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度,利用k近邻信息,通过加权重构出不等长批次缺失的数据点。其次,对等长的训练集构造局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法确定第一控制限,并剔除离群样本。最后,对各个模态建立MPCA模型并确定第二控制限。根据各个模态控制限的匹配系数计算统一的统计量和控制限,在统一的控制限下进行多模态故障检测。将提出方法应用于半导体工业过程,仿真结果表明,与传统的故障检测算法相比,本文算法提高了故障检测率,验证了该方法的有效性。

多方程线性模型系统的贝叶斯预报分析

多方程线性模型系统的贝叶斯预报分析是贝叶斯线性模型理论的重要组成部分。通过模型系统的统计结构,证明了矩阵正态-Wishart分布是模型参数的共轭先验分布；根据模型的样本似然函数和参数的先验分布推导了参数的后验分布；然后,从数学上严格推断了模型的预报分布密度函数,证明了模型预报分布为矩阵t分布。研究结果表明：由于参数先验分布的作用辟,样本的预报分布与其原统计分布有着本质性的差异,前者为矩阵正态分布,而后者为矩阵t分布。

半参数模型自然样条函数法与时间序列法分析

针对半参数模型补偿最小二乘的关键是确定合适的正规矩阵和平滑因子问题,选取了3种方法得到的正规矩阵:自然样条函数法,时间序列法的一阶差分法和二阶差分法。探讨分析了不同正规矩阵对参数估值的影响,以及系统误差系数的变化与正规矩阵对参数的影响。模拟算例表明,不同正规矩阵得到的参数估值不同,系统误差系数的变化对自然样条函数法和一阶差分法的影响趋于一致。

降秩正态线性模型参数的无偏估计

降秩正态线性模型的参数是不可估的。针对这一情况,在可识别性约束条件下,证明了降秩正态线性模型正规方程系数矩阵的逆是原模型正规方程系数矩阵的一个广义逆,进而得出可估函数的最小二乘估计是最优无偏估计的结论。同时,推导了一般协方差分析模型的参数估计的公式,举例证明单协变量两向协方差分析的一般解算方法。

指数族非线性模型MLE的渐近性质

指数族非线性模型包括许多常见的模型，诸如线性与非线性回归模型、广义线性模型等。Ｆａｈｒｍｅｉｒ和Ｋａｕｆｍａｎｎ等研究了广义线性模型ＭＬＥ的渐近性质，本文在类似于他们的正则条件下，证明了指数族非线性模型ＭＬＥ的存在性、弱相合性、强相合性及渐近正态性，从而进一步推广和发展了他们的结果。

基于单应性矩阵的大尺寸零件视觉测量图像拼接方法

针对视觉检测技术对大尺寸复杂零件测量精度低的问题,提出一种基于单应性矩阵的大尺寸零件视觉测量图像拼接方法;首先建立世界坐标系→相机坐标系→投影坐标系→图像坐标系之间的归一化模型,提炼出简单易懂的坐标变换表达式H;然后对摄像机进行多次标定,确定像素当量、拍摄视场及焦距;再获取零件图像,利用前面得到的最简坐标表达式H得到拼接图像之间的配准,最后完成若干副图像的拼接,把拼接结果和SURF特征点方法及向后映射模型归一化的拼接结果进行比较;结果表明,该方法可以大大减少大尺寸零件拼接的时间,较SURF特征点方法和向后映射拼接用时分别降低86.55%和67.30%,拼接精度远高于SURF特征点方法和向后映射方法,分别提高了50.95%和25.08%,测量精度满足大尺寸零件检测精度要求。