基于灰模型白化响应的边缘检测算法

为获得更好的图像边缘,提高机器视觉的检测精度,提出一种新的基于GM(1,1,C)模型白化响应的图像边缘检测算法.该算法用原图相邻的若干像素点值构建GM(1,1,C)模型,计算出相应像素点的白化值,得到原图像素点的像素值与相应白化值之间的误差.依据边缘像素点的像素值与非边缘像素点的像素值相差大而不满足GM(1,1,C)建模条件,从而导致边缘像素点白化值出现较大误差的特点,实现图像的边缘检测.实验证明:该算法在无噪声和有噪声的情况下均有效;建模像素数量越少,抗噪能力越强,但对边缘的检测能力会下降;建模像素数量越多,边缘的检测能力越强,但抗噪能力下降.     

改进的最小亮度分布标准彩色图像误差扩散算法

针对彩色图像最小亮度分布标准处理方法中的图像细节轮廓损失问题,提出了一种基于边缘检测的最小亮度分布标准误差扩散改进算法．算法首先对彩色图像进行边缘检测处理,提取图像的边缘点信息,然后依次提取彩色图像像素点．若像素点是图像的边缘点,则进行RGB颜色空间的固定阈值比较取值处理．若像素点是非边缘点,则进行最小亮度分布标准处理．最后采用基于HVS模型构造出的误差扩散系数对彩色图像进行误差扩散处理．仿真结果表明该算法能够较好地减少彩色图像的细节损失。     

基于响应不变法的GM(1,1)模型

GM(1,1)模型的建模过程是由白化微分方程离散化得到差分方程,再由该差分方程估计模型参数.由于离散化引入了误差导致白化微分方程和差分方程的响应发生了变化.基于响应不变法,提出了一种新的GM(1,1)模型.该模型具有白指数重合律,它突破了|a|较大时GM(1,1)模型不能应用的禁区,拓广了GM(1,1)模型的应用范围.     

基于响应不变法的GM(1,1)模型的动态特性分析

GM(1,1)模型的建模过程是由白化微分方程离散化得到差分方程,再由该差分方程估计模型参数.由于离散化引入了误差,导致白化微分方程和差分方程的响应发生了变化.基于响应不变法,提出了一种新的无偏GM(1,1)模型.对基于响应不变法的GM(1,1)模型的动态特性进行了分析,明确了该模型的特性和适用条件.     

基于HVS模型及边缘检测的像素点误差扩散半色调算法

针对常规误差扩散方法中的图像细节轮廓损失问题,提出一种基于HVS模型及边缘检测的像素点误差扩散半色调算法.该算法首先对图像进行边缘检测处理,提取图像的边缘点信息,然后采用基于HVS模型误差扩散系数对图像进行误差扩散处理,处理过程中对于边缘点不进行误差叠加,以保留图像边缘信息.仿真结果表明该算法能够更好的减少图像细节损失,保留图像细节信息.     

传统灰色建模的一些理论问题

分析了GM(1,1)建模中灰导数及其白化背景值对模型精度与适应性的影响,并从灰导数、灰导数的白化背景值的构造证明了原始时间序列数据变化越平缓,发展系数的绝对值越小,GM(1,1)模型的拟合与预测精度越高,模型的适应性越强,根据研究结果指出了提高GM(1,1)模型精度的研究方向.     

基于GM(1,1)-灰色Verhulst模型的图像去噪组合算法研究

图像获取过程中,受到噪声的影响,会导致图像质量下降,给后期处理带来困难,为此提出一种基于GM(1,1)-灰色Verhulst组合模型的图像去噪算法.首先分析了噪声的性质,为了更好的利用图片的有效信息,构建预测值代替原始值的灰色模型.其次,分析了GM(1,1)模型和灰色Verhulst模型间的结构差异,结合两种模型给出一种去除噪声的组合算法.最后,比较中值滤波、GM(1,1)模型和灰色Verhulst模型处理效果.实验结果表明,采用这种组合算法得到的处理结果能有效去噪,较好地保持图像对比度和边缘信息,验证了该算法的有效性.     

尾部残差修正GM(1,1)模型在煤矿百万吨死亡率预测中的应用

 煤矿安全是当前安全生产工作的重中之重。为掌握煤矿安全生产情况,降低事故损失,保证中国煤炭工业健康、快速、可持续发展,本文在传统GM(1,1)模型的基础上,建立了关于煤矿百万吨死亡率的尾部残差修正GM(1,1)模型。将该方法应用于2001—2011年全国煤矿百万吨死亡率分析,并以此为基础对2012、2013年的煤矿百万吨死亡率进行预测,与传统GM(1,1)模型的预测结果进行对比分析。研究结果表明,传统的GM(1,1)模型精度较差,最大误差达到14.35%,经修正的尾部残差GM(1,1)模型预测结果可靠,实际值与预测值平均相对误差1.14%,最大相对误差3.81%,各项指标均明显优于传统的GM(1,1)预测模型,为政府、矿山企业制定安全生产目标、政策以及建立科学高效的安全管理机制提供理论依据。     

适用于地毯编织图像处理的误差扩散改进算法

常规误差扩散方法会导致图像细节轮廓损失问题,为满足地毯编织图像处理中对图像细节处理的要求,本文提出一种基于HVS模型及边缘检测的像素点误差扩散半色调算法。该算法首先对图像进行边缘检测处理,提取图像的边缘点信息,然后采用基于HVS模型误差扩散系数对图像进行误差扩散处理,处理过程中对于边缘点不进行误差叠加,以保留图像边缘信息。仿真结果表明该算法能够更好地减少图像细节损失,保留图像细节信息,进而满足地毯编织图像处理的需要。     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

基于优化的GM(1,1)模型在我国人口预测中的应用

GM(1,1)预测模型一直是灰色系统理论研究者关注的热点.在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化函数的时间响应函数中的常数c,摒弃了传统GM(1,1)把原始序列x(0)(1)作为初始条件的做法,从而构建了GM(1,1)的优化模型.最后,以我国人口总数的预测为例,进行两类预测模型的模拟精度比较,并进行了预测,得到优化的GM(1,1)模型进行预测得到的精度较高.     

GM(1,1)模型的性质及改进

在对GM(1,1)模型进行分析的基础上,经过理论推导,得出了初始数对预测没有影响的结论,对GM(1,1)模型进行改进,给出了GM(1,1)模型Ⅰ。当向原始序列添加相同的数字时,预测值将更改,由此提出了GM(1,1)模型Ⅱ,利用粒子群算法,得到最佳的增加量。仿真结果表明,GM(1,1)模型Ⅰ和模型Ⅱ具有较高的精度。     

数控机床热误差变参数GM(1,1)的建模

为提高数控机床的加工精度,减少热误差对零件加工质量的影响,对热误差变参数灰色GM(1,1)在线预测模型进行研究.变参数灰色GM(1,1)在线预测模型能直接运用热误差时间序列值进行单序列建模,并给出模型参数的逐步迭代公式,根据不断输入的新数据,变参数模型能利用迭代公式,及时修正模型参数.以某精密卧式加工中心为研究对象,对所提出的变参数灰色GM(1,1)模型进行应用验证,并与传统的,1)模型和新陈代谢GM(1,1)模型进行对比研究.对比分析的结果表明:变参数灰色GM(1,1)模型很好地解决了传统的GM(1,1)模型难以预测大样本数据和非线性变化趋势的问题,且比新陈代谢GM(1,1)模型建模运算量小、求解时间短.变参数灰色GM(1,1)模型的预测值与实验结果对比表明,该模型预测精度高、通用性好,适用于机床热误差建模预测,进而提高机床的加工精度.     

GM(1,1) 模型的边值分析

GM（1,1）模型中边值条件对于生成列微分方程中参数的估计值没有影响,但是对于生成序列和原始序列的预测值却有着指数修正效用,使用均方程差和最小准则,针对生成序列和原始序列给出了确定边值修正项的两种方法,实例表明,考虑边值修正项可以大大地降低预测误差。     

GM(1,1)模型背景值构造的不同方法与应用

GM(1,1)模型的误差主要来源于背景值和初始值,因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法,并以X(n)为初始值和新陈代谢方法来建立GM(1,1)模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1,1)模型的预测精度.计算结果表明,将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高,可为类似工程提供参考.     

灰色GM(1,1)模型建模的理论探讨

在分析GM(1,1)建模中灰导数及其白化背景值对模型精度与适应性的影响的基础上,从灰导数、灰导数的白化背景值的构造证明了原始时间序列数据变化越平缓,发展系数的绝对值越小,GM(1,1)模型的拟合与预测精度越高,模型的适应性越强,同时提出了原始序列数据的一些处理方法。     

优化背景值的GM(1,1)

为了提高模型的拟合精度,提出了一种新的改进GM(1,1)模型.从优化GM(1,1)模型背景值的定义出发,推导出利用原始数据生成的背景值公式,将其与经过优化的初始条件结合,构造出改进的GM(1,1)模型.此模型将在很大程度上消除由于背景值的选取所产生的误差.对该模型进行数据模拟,通过与原模型中数据的比较、分析,验证出新的优化模型具有更好的模拟精度,说明该模型的有效性,可以将其应用于对其它数据的拟合预测.     

利用改进的灰色模型预测软岩巷道的围岩变形

介绍了灰色系统理论,用实例说明ＧＭ（１,１）模型预测巷道的围岩变形是简单,有效的;并对原ＧＭ（１,１）模型进行了改进,建立了具有较小原点误差的,改进的ＧＭ（１,１）模型,两种模型的预测结果也在文中做了比较。