基于非负稀疏协作模型的目标跟踪算法

目标跟踪是计算机视觉研究领域中一个最基本的问题.为解决在复杂场景下目标跟踪效果不佳的问题,作者搭建了一个基于非负稀疏的协作模型,该模型将非负稀疏表示的产生式模型与全局模板判别式模型相结合,并提出了基于非负稀疏协作模型的目标跟踪算法.首先对每一帧图像使用粒子滤波得到若干个候选框,然后再利用非负稀疏协作模型对每一个候选跟踪框进行评分,根据得分最高判为是跟踪目标的候选框.在多个视频序列上的实验结果表明,所提出的方法可以有效地提高目标跟踪的性能.     

指数型分布族中矩估计的序贯置信区间

在矩估计的基础上,对于给定精度(2d)及置信系数(α),建立了对参数(θ)函数g(θ)的一个序贯置信区间估计的步骤和方法.并讨论了在一定条件下,当d→0时,估计的渐近相合性、渐近有效性及有界的最优费用差(EN(d)?n(d))等渐近性质.     

白洋淀流域府河夏季浮游植物的群落结构及其对水质的指示

为探究白洋淀入淀河流府河的浮游植物群落结构和水质现状,于2020年夏季对府河5个采样断面的浮游植物进行了定量调查,并基于浮游植物的优势种、密度、生物量和群落多样性指数对府河夏季的水质进行了评价.结果显示:府河夏季共鉴定出浮游植物7门111种属,群落组成以绿藻门、硅藻门为主,其次是蓝藻门,优势种包括微囊藻(Microcystis sp.)、小环藻(Cyclotella sp.)、细小平裂藻(Merismopedia minima)、冠盘藻(Stephanodiscus sp.)和集星藻(Actinastrum hantzschii).各采样断面浮游植物密度和生物量的均值分别为13.51×10⁶ ind/L、5 748.8×10^-3 mg/L,各采样断面浮游植物的Shannon-Wiener多样性指数(H)、Margalef丰富度指数(D)和Pielou均匀度指数(J)的均值分别为2.36、3.25和0.59,显示夏季府河浮游植物的多样性较高.根据浮游植物的优势种、密度和生物量,夏季府河整体水质状况为中-富营养;根据H、D值,夏季府河整体水质状况为β-中污染;根据J值,夏季府河整体水质状况为轻度污染,综合评价结果显示夏季府河水质状况为轻-中度污染水平.     

局部保持的稀疏表示字典学习

稀疏表示分类中的字典选择至关重要,为了用较少的字典原子更好地表示原始训练样本的局部信息,并且使学习出的字典更加具有判别信息,提出了一种基于局部保持准则的稀疏表示字典学习方法.该方法将局部保持准则强加在编码系数上,使得学习出的字典具有相近数据点的编码系数也保持近邻关系的特性,从而保持原始训练样本的局部信息.在扩展YaleB、AR和COIL20数据库上的实验结果表明,文中方法的分类识别结果优于其他方法,说明该方法是有效的.     

“线性回归参数的固定大小序贯置信域的渐近理论”的改进

序贯抽样一直是一个重要的统计研究领域,Gleser在世界著名刊物:《统计年刊》中发表了一篇重要文章[3]。然而Gleser的结果在实际应用中很不便于操作,甚至不可行。本文构造了一个新的置信域,改进了Gleser的结果使其更具有应用性。     

基于树的相关系数补偿满方差建模技术

为了实现语音识别中基于隐Markov模型(hidden Markov model,HMM)的满方差建模,该文提出了基于树的相关系数的补偿方法.首先自顶向下构建状态的回归树,用简化的仅考虑协方差的对称Kullback-Leibler散度来度量Gauss之间的差异.每个Gauss核接到相应状态下作为叶子节点.叶子节点的相关系数矩阵用其父节点及祖先节点的相关系数矩阵的线性插值得到.线性插值权在最大似然意义下进行优化.实验结果显示取得的识别性能相对异方差线性判别分析、半绑定协方差,基于树的协方差非对角补偿方法的字误识率分别相对下降9.71％、9.17％和4.12％.