Model of constant probability event and its application in information fusion

1 .INTRODUCTIONInsituationassessmentandthreatassessmentofin formationfusionsystem ,theprobabilityofcompli catedeventsgatheredfromdifferentsourcesusuallycanberepresentedorapproximatednumericallyintermsoffunctionsofprobabilitiesofothermorefun damentalcontri…     

条件分布理论在织物力学因子分析中的应用

表达织物力学性能的指标有许多，如何选择其中具有代表性的指标一直是人们关心的问题．本文利用“条件分布”的数学理论分析了影响真丝砂洗绸悬垂性能的多项力学指标，选择出了具有代表性的指标．从结果来看，”条件分布”理论在织物力学指标提取中具有概念直观，计算量小的优点．     

梯度投影法在测量平差中的应用

本文以梯度投影法迭代直接求解出观测值的改正数,并在最后给出一个简单算例,以资验证。     

条件极值判定的一个充分条件

利用Hessian矩阵的有定性给出条件极值判定的一个充分条件。     

平均值置信区间的公式表示

4个常用 p值的 t分布分位数 ,可用 4个简单的公式表示 .用于国际标准和国家标准的平均值置信区间的表示中 ,不用查表 ,非常方便 ,误差也很小 .在 n=3,置信区间所产生的置信概率误差 ΔP<0 .1 6 ;n≥4 ,Δp<0 .1 .     

凸分析在力学问题中的应用

根据集合的概念，由几何集Ｋ与本构集Ｃ求交集，即Ｋ∩Ｃ，再以此与平衡集Ｓ求三者的交集，即Ｋ∩Ｃ∩Ｓ．用此凸分析求条件极值的方法确定超静定结构的未知力，所得结果与其它方法完全相同．     

一种正则分布推导方法的分析

本文对个别教材和文章中采用的一种推导统计物理学中正划分布的方法进行了概念和计算上的分析，指出了其错误性。     

动态可控残差卷积神经网络的低剂量 CT 图像处理

针对计算机断层扫描(Computed Tomography, CT)中因采用低剂量扫描方式,导致图像噪声伪影干扰,尤其 是不同部位噪声和伪影强度存在较大差异这一问题,提出了一种基于动态可控残差的卷积神经网络(DC-ResNet) 算法。 DC-ResNet 的主要思想是在常规残差网络连接中添加一个图像质量指导的控制变量,以允许获取残差的加 权和,从而实现残差特征的动态可控。 所设计的 DC-ResNet 网络是一种包括两个子网络的组合型结构,一个是作 为主干网络的基础子网络,在该子网络中使用全局动态残差块和局部动态残差块来实现低剂量 CT 图像质量的提 高;另一个是作为辅助网络的条件子网络,用来生成基础子网络中不同动态可控残差块的权值,辅助基础子网络的 学习。 通过 Mayo 与 UIH 数据实验验证,其视觉结果表明:处理后的不同部位 CT 图像噪声伪影均能够得到较好的 抑制,并能有效地保留结构细节及组织纹理;量化结果表明:处理后的 CT 图像峰值信噪比( Peak-Signal to Noise Ratio, PSNR)和结构相似性(Structure Similarity, SSIM)均优于对比方法。     

基于条件风险价值的智能区域代理商报价策略及EV充电管理

智能区域代理商整合区域内电动汽车(electric vehicle,EV)参与电力市场交易,然而在联营市场(包括日前和实时市场)交易机制下,联营市场电价的随机性增加了代理商的市场交易风险.基于此,提出了以联营市场条件期望购电成本最小为目标的报价决策模型,该模型考虑了联营市场电价的随机特性,并将模型转换成带条件风险价值约束的随机优化问题.由于含随机性变量概率密度函数的积分计算困难,因此利用蒙特卡罗模拟,预测电价分布特性,采用抽样平均近似法对模型进行离散化处理,并通过构造函数将原问题化为凸优化问题进行求解.数值实验表明代理商通过控制EVs参与联营市场竞价交易,对EVs进行充电管理,可有效降低峰谷差,有助于电网的稳定性.     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。