线性动态系统基于块采样的卡尔曼平滑推理算法

针对线性动态系统在复杂噪声环境中的不确定性的传递问题,提出了用块采样推理方法逼近状态和噪声的后验分布.该方法在时序采样中,样本在基于条件独立性准则下可一次性更新,这通常比单独更新来得简单和有效.通过引入Dirichlet过程混合模型(Dirichlet Process Mixture,DPM),能够较方便地获得马尔科夫链式样本.结合卡尔曼平滑技术,使块采样算法能够在分布空间逼近基础上取得较高的精度.仿真结果显示,块采样平滑算法具有较好的效果.     

自适应高斯混合模型语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号．针对噪声环境下的语音增强问题,提出了一种语音增强新方法．该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数．利用这种萎缩函数可以实现对小波系数的修正．仿真实验表明,该算法对于噪声有较好的抑制作用,该算法在主观和客观测试中都具有良好的语音增强效果,可以在语音识别、语音编码中获得应用．     

基于高斯过程的软件开发可靠性研究

针对软件可靠性模型的统计推理和预测问题,在软件随时间而变化且软件指标信息已知的情况下,设计了一个基于高斯过程的半参数贝叶斯模型,以估算各个时间段内软件故障的发生次数。在性能评估部分,使用了三个常用的真实数据集来评估本模型的有效性。实验结果显示,与现有的方法相比,该模型能够实现较低的预测误差。。     

基于一般Dirichlet过程的非参数贝叶斯分析

基于Jayaram Sethuraman在1994提出的扩展Dirichlet过程先验,将其推广到更一般的情形,使Dirichlet过程和扩展Dirichlet过程都成为一般Dirichlet过程的特例,并对非参数的贝叶斯进行了研究和讨论,给出了一般Dirichlet分布的期望、二阶矩等,证明了一般Dirichlet过程的支撑是足够大的,说明一般Dirichlet过程的构造是合理而又恰当的.     

基于高斯混合模型的说话人识别系统

针对概率得分均值法出现的单个帧概率打分容易畸低的情况以及投票法因归一化而损失掉正面影响帧的打分，提出了一种引入可信度的均值方法，实验证明：该方法兼顾二者的优势的同时，在一定程度上消除了各自产生的不利影响，提高了说话人识别的精度。     

基于高斯混合模型GMM的说话人识别方法

高斯混合模型(GMM)是一种经典的说话人识别算法,本文在实现其算法的同时,主要模拟了不同噪声环境情况下高斯混合模型(GMM)的抗噪声性能,得到了一些有益结论。     

基于高斯混合模型的NSCT变换遥感图像融合

遥感图像中的能量信息反映了地物的电磁散射特性,具有重要的物理意义。而基于边缘特征的方法不能有效地保留能量信息的结构。对基于边缘的算法进行了改进,综合考虑了边缘和能量结构。采用非下采样Contourlet变换(NSCT)对图像进行分解和综合。利用高斯混合模型将低频系数划分为边缘和平滑两部分,对两区域分别采用基于边缘能量和局部能量的融合规则。高频子带使用重要性测度法进行融合。实验结果表明该算法融合效果较基于边缘算法有所改善,是一种有效兼顾细节和能量结构的方法。     

高斯与非高斯混合有色噪声中的谐波恢复

提出了一种用于在高斯与非高斯混合有色噪声中进行谐波恢复的新方法。首先利用Hilbert变换将实数观测值变换成复数形式,然后应用一种特殊的高阶累计量识别非高斯噪声的AR参数并对含噪观测值进行预滤波后,再应用基于统计量的方法进行谐波恢复。文中提出的方法能够用来恢复高斯与非高斯混合有色噪声中的一维实数谐波信号,而不用考虑谐波信号是否存在相位耦合和非高斯噪声是否对称分布,仿真实验可以证明。     

基于主成分分析和高斯混合模型的耐火材料损伤信号分类

运用主成分分析方法对MgO-C耐火材料损伤实验获取的声发射参数进行消除相关性降维处理,以构造出的新参数作为损伤信号分类的指标,采用高斯混合模型聚类方法及贝叶斯信息准则将样本信号分为ω1、ω2两类,其权重分别为63%和37%。扫描电镜验证结果表明,MgO-C耐火材料受载下的损伤形式主要为基质相损伤和界面损伤两种,并以基质相损伤形式为主。     

基于高斯混合模型自适应肤色识别算法

肤色识别是色情图像识别、人脸检测等图像处理技术的关键步骤,肤色识别效果的好坏直接影响相关图像处理技术的效果。图像中存在干扰因素时基于单高斯模型的肤色识别效果不佳,为了解决这个问题,在YCbCr色度空间基础上,提出了基于高斯混合模型自适应肤色识别算法。实验表明该算法识别效率较高,能较好地识别存在干扰因素图像中的肤色,具有一定的实用性。     

基于高斯混合模型的视频对象分割算法

针对应用高斯混合模型（GMM）进行视频建模与分割时的模型选择及参数估计初值选择的难点，提出了一种基于GMM的视频对象分割算法．首先进行特征提取，在特征矢量中引入加权运动信息，可根据不同需要选择合理的加权系数，然后通过分割投影进行模型选择及期望最大化（EM）算法的参数初始化并估计参数，这种初值选择方案使得EM算法的初值和真实值较接近，加快了迭代运算的收敛速度，从而提高了视频对象的分割速度，最后对特征矢量进行聚类分割．仿真实验表明，在保持良好分割效果的同时，所提算法的运算速度约为常规方案的76％，并且具有良好的稳定性．     

基于自适应高斯混合模型的图像稳定方法

提出了一种基于自适应高斯混合模型(Gaussian mixture model)的运动滤波器的图像稳定方法.首先采用多分辨力金字塔技术,通过特征跟踪进行运动估计;然后分析前n帧图像的统计特征,求取GMM参数;最后利用GMM运动滤波器对运动参数进行滤波,输出稳定的图像序列.实验结果表明,该方法对于图像的不规则运动的参数补偿是有效的,并且可以实现实时处理.     

基于改进的自适应混合高斯背景模型的车辆检测方法

针对静止摄像机条件下运动车辆的检测问题,提出一种改进的自适应混合高斯背景模型的方法.该方法初始时通过三帧差分法判断运动目标所在区域,运用提出的区域背景更新算法生成初始背景图像,然后在Stauffer等人提出的自适应混合高斯背景模型的基础上融入帧间差分和背景差分相结合的方法用于判定运动目标区域和背景区域,通过对背景区域和运动目标区域设置不同的学习率来更新背景模型,提高了模型的收敛速度.实验结果表明,同传统检测方法相比,改进的算法能较快地初始化背景模型并能有效地检测出运动车辆,有较强的鲁棒性和较好的自适应能力.     

基于高斯混和模型与Blob分析的人手定位

在基于机器视觉的手势识别研究中,手势分割与定位是关键技术。本文在分析肤色的颜色特征和人手运动特性的基础上,提出了一种在视频图像序列中实现手势分割和定位的算法。首先结合肤色检测技术和基于高斯混合模型的运动目标检测技术,获得了图像序列的初始手势区域,之后利用Blob技术实现了最终手势的分割和定位。实验结果显示,该方法具有较高的分割和定位准确度。     

一种新的高斯混合模型参数估计算法

该文提出了一种高斯混合模型（GMM）参数估计的改进算法．原始的特征向量先经Schmidt正交化消除各维间的相关性,再用数学形态学方法估计出各维概率分布中混合分量的真实个数,最后按真实的混合分量个数用EM算法对各维分别作标量GMM参数估计．该方法能缓解GMM传统参数估计算法引起的“不易扩展”的不便．实验结果表明,将其应用于说话人辨认,能在较大幅度提高训练速度的基础上相对传统GMM参数估计方法获得更高的识别率．     

基于混合Gauss模型的鲁棒性人脸识别算法

针对人脸图像受表情、光照、角度变化等因素影响,传统算法难以获得较理想的人脸识别结果问题,提出一种基于混合Gauss模型的鲁棒人脸识别算法.先将每副图像划分成子块,提取其方向梯度直方图特征,并加入子块相应的空间位置信息产生人脸图像的局部特征向量;再采用全部图像的局部特征向量训练混合Gauss模型生成人脸特征向量;最后采用最小二乘支持向量机建立人脸识别分类器,实现人脸匹配与识别.采用ORL,Yale和CIGIT人脸库进行仿真对比测试,仿真结果表明,该算法的人脸识别率高于其他人脸识别算法,对光照、角度、表情等有较强的鲁棒性,且可以获得更快的人脸识别速度.     

基于高斯混合模型的无线传感器网络定位算法

针对距离误差对定位结果的影响,提出一种基于高斯混合模型的无线传感器网络定位算法.该算法将高斯混合模型方法引入到无线传感器网络的定位问题中,通过高斯混合模型分析找出误差较大的距离信息并将其剔除,对剩余距离信息使用三边测量定位法进行定位求解,同时结合加权定位算法进行位置估计.仿真实验结果表明,改进算法能提高定位精度,且定位结果更稳定.     

基于改进混合高斯模型的交通流背景检测算法

针对交通流视频中道路背景像素较为统一的特点,提出一种基于时空信息的双混合高斯模型背景检测算法.该算法先构造像素时间域混合高斯模型进行时间域的检测,并采用双重阈值分别判断前景与背景.当某像素无法准确判断时,针对该像素邻域构造空间域混合高斯模型,以空间域的检测结果代替时间域的检测.通过不同的交通流视频中的测试和比较,验证了所提出的算法能有效地融合像素自身的时间信息与像素间的空间信息,提高了检测初始阶段的鲁棒性,同时有效地解决了出现停车现象时的误检测问题.     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,ＧＭＭ）概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法,与     

基于四帧帧差和混合高斯模型的运动目标检测

鉴于传统的帧差法检测准确率不高,容易造成检测错误等问题,提出了一种改进的视频序列运动目标检测算法.该算法将混合高斯模型与改进的四帧差分算法相结合:首先,改进的四帧差分是取连续的四帧——第1帧与第3帧、第2帧与第4帧分别进行差分二值运算,采用动态阈值以适应光线变化,将差分的结果轮廓填充,进行"与"运算;然后,将混合高斯建模后得到的运动目标与改进的四帧差分算法得到的运动目标,进行逻辑"与"运算;最后,通过形态学处理检测出运动目标.实验结果证明,改进的算法既能适应光照的变化,又能有效克服空洞的现象,与同类算法相比,具有更高的鲁棒性和准确率.