基于改进滤波器和图像多尺度变换的背景抑制算法

红外目标的探测背景具有复杂性和非平稳性,为提高后续检测性能,常常通过抑制背景来增强目标能量。针对传统背景抑制方法检测率低、虚警率高的问题,提出一种基于改进滤波器和图像多尺度变换的复杂背景抑制算法。首先,对红外图像进行改进的滤波处理获得预处理图像。其次,通过高斯金字塔多分辨技术,平滑图像背景。然后,采用Cubic插值算法提高图像的分辨率,得到背景估计图像。最后,将预处理图像和背景估计图像差分,获得背景抑制的结果。经验证,该算法实时性相对传统方法提高了19%,对于多种复杂的背景情况具有良好的适应性。同时,算法计算复杂度较低,有利于实现实时性工程应用。     

基于贝叶斯模型的动态背景检测

利用贝叶斯模型结合核密度函数理论，给出了在复杂的动态背景下检测出运动目标的方法。首先，在图像相关性的基础上，利用非参数核密度估计的方法，建立前景和背景的棱密度函数，再利用贝叶斯理论，估计出背景和前景的先验概率，两者相结合得到一个估计的阁值，从而实现目标和背景的分类。该方法对阈值的选取进行了理论分析，实验证明，提出的方法能够在动态背景中准确地检测出目标。     

基于多智能体强化学习的大规模无人机集群对抗

攻击成本低、体系生存率高且具备细粒度灵活作战能力的无人机集群作战未来将成为重要的战争形态.高效而适应性地对无人机集群进行细粒度任务规划,对提高集群作战效能具有重要意义.多智能体强化学习在解决群体序列决策任务时存在维度灾难及组合爆炸,多适用于小规模场景.将对抗环境中的无人机集群任务规划问题建模为马尔可夫博弈问题,基于平均...     

基于多尺度网格细胞的路径整合模型

针对类脑机制下空间位置自主推算问题, 提出一种基于新型叠加算法的路径整合模型, 通过引入多尺度网格细胞提高路径整合结果的准确性。在路径整合模型中, 基于吸引子网络构建网格细胞与头朝向细胞模型, 通过头朝向变化量来判断运行体的运行状态, 完成不同运动的整合过程; 采用动态权重值分别计算直线运动与曲线运动过程中多尺度网格细胞的位移变化量, 提高路径整合的精度。仿真结果表明, 单一尺度与多尺度网格细胞路径整合模型都能够完成路径整合, 且在3 000 m的距离内, 多尺度网格细胞模型误差不超过15 m, 证明了多尺度网格细胞模型能够提高路径整合的精度, 验证了该路径整合模型的有效性。     

基于LPM的多尺度最优套期保值比率

首先使用小波方法将指数收益和期指收益分解到不同时间尺度上,并使用核密度方法估计指数和期指的联合密度函数,然后基于最小下偏矩框架得到多尺度最优套期保值比率。它既可以满足不同投资者基于不同期望收益目标的下方风险管理的需要,也可以满足不同投资期限的需要。最后,使用香港恒生指数以及香港恒生指数期货数据进行实证分析,结果表明:随着时间尺度的增加,最优套期保值比率以递减的速度增加,且套期保值效率一直递增,直至接近于1。另外,最优套期保值比率在大多数情形下随着期望目标的增加而递减,风险厌恶程度对最优套期保值比率的影响并不确定。     

尺度自适应的多模型压缩跟踪算法

为了对复杂环境中的目标进行长时间的精确跟踪,在压缩跟踪算法的基础上提出一种尺度自适应的多模型压缩跟踪算法。该算法首先利用离线学习获得目标的尺度约束集,建立目标的多尺度模型,实现尺度的自适应选择;其次,利用随机投影矩阵对多尺度图像特征进行降维,减少算法计算量;最后,利用多模型分类器在线学习训练朴素贝叶斯分类器实现目标跟踪。实验结果表明,本文算法在跟踪尺度变化的目标和外观变化的目标时,跟踪性能有了较大改善,虽然处理时间有一定程度的增加但仍满足实时性的要求。     

基于曲波和Markov模型的新型立体匹配算法

曲波变换是继小波变换后的一种新型的多尺度分析方法,它能够更好的描述图像中曲线状和超平面的奇异性问题,把曲波变换系数作为图像匹配中的基元,并结合图像分割原理和马尔可夫随机场(MRF)模型,提出了一种新的图像匹配算法,它克服了基于图像灰度的匹配方法在平滑区域或细节匮乏处无法得到正确视差的弊端,并使得视差图在物体内部平滑并保持边缘处的不连续性.实验结果表明,提出的算法无论从视觉评价上还是视差图客观指标来看,都取可得了更优的结果.     

面向多媒体业务的MANET多尺度稳定链路模型

分析了影响链路稳定性的重要因素,并将其分为任务管理、拓扑管理和信道质量3类因素。在此基础上,提出了一种多尺度稳定链路模型,将此3类指标输入到多属性多权重的中间模块中进行权重分配和加权平均,最终形成综合指标,用以指示链路稳定性。同时利用卡尔曼滤波对模型中检测值进行预测分析,提升模型的稳定性和可靠性。最后,采用本模型对优化链路状态路由协议的路由选路策略进行了优化设计,并在QualNet环境下进行了仿真。仿真实验表明,改进后的协议在报文接收率、吞吐量、端到端时延等方面都有一定的提升,有效地提高了对多媒体业务的服务质量保证能力。     

SAR目标多尺度概率密度估计与识别

针对SAR目标识别问题,提出了一种基于核非线性映射的SAR目标多尺度概率密度特征的估计方法,并利用该特征进行目标识别。首先将SAR目标图像在多尺度域中分解,按一定规则建立多尺度根矢量;将多尺度根矢量经非线性映射到另一空间中,在该空间中利用基于核函数的技术结合parzen窗非参数估计得到概率密度函数。通过这一途径得到的多尺度概率密度分布挖掘了目标散射在尺度之间的相互关系,分布特征之间的相对熵测度可以用与目标分类识别。以MSTAR实测SAR目标数据集进行了多尺度概率密度估计和目标识别试验和分析,试验结果表明了提出方法的有效性。     

一类动态多尺度系统的模型和估计算法

多传感器信息融合是信息学科的重要研究方向,本文的目的就是对分布在多个尺度上的传感器信息进行融合。本文针对一类动态多尺度系统,在国内外相关研究的基础上,提出一种新的动态多尺度系统建模方法。该模型满足标准卡尔曼滤波条件,给出了基于Haar小波的实现方法,基于此可以获得各个尺度上目标状态线性最小方差意义下的最优估计值。仿真结果令人满意,最细尺度上用本文方法进行估计优于直接进行卡尔曼滤波的效果。     

基于背景差的码头运动船只检测

通过背景差法对码头视频图像中的运动船只检测。采用混合高斯模型为码头背景建模,该模型可克服各种外部因素的影响,如光照变化、阴影、目标遮挡等,具有很强的适应能力。对采用全局固定阈值进行运动目标分割的方法作了优化,并对运动船只目标进行分割。经现场测试,能有效地监测运动船只、记录异常事件以及视频图像的提取和过滤,提高了码头监管的质量和效率,可广泛应用于码头无人监控。     

基于切比雪夫逼近的图像背景构建

提出一种基于像素邻域的切比雪夫逼近构造背景的方法,通过构造视频图像序列在Banach空间的线性包,该线性包与图像序列中任何一幅图片构成不相容线性方程组,通过切比雪夫逼近,求出最佳逼近系数。通过对所得系数设定阈值,提取出背景。实验表明,在采用固定摄像机方案下的视频监视系统,在无需大量的图片下也能提取背景,也具有较好的抑制噪声效果。     

主动轮廓小波多尺度变形边缘提取方法

主动轮廓在图像分割和边缘检测中得以广泛应用,但其也受到多种因素的影响.针对图像轮廓周围其它图像信息对轮廓边缘的干扰,以及进化曲线难以到达深度凹陷的问题,提出了主动轮廓小波多尺度变形轮廓边缘提取方法,利用小波变换的多尺度分析来缩减或淡化非轮廓边缘信息,解决由于噪声以及轮廓周围其它图像信息对进化曲线的错误引导;通过对正则化力场进行改善,在进化曲线的动态轮廓搜索点上构建一自适应外力来引导凹陷处轮廓的进化方向;最后,给出了该方法的具体算法步骤.这些措施的实施,较好地解决了所研究的问题,实验表明该方法是可行和有效的.     

基于激光数据配准的移动机器人自定位

提出了一种基于激光数据配准的移动机器人自定位方法。该方法避免了对激光数据进行特征提取以及点对点的对应,仅以预处理后激光数据的核密度估计作为定位依据,以核相关方法作为比较相邻两组激光数据相似性的度量准则,并在此基础上建立以旋转平移向量为参数的自定位目标函数。最后采用BFGS拟牛顿方法对目标函数进行寻优,最终实现移动机器人的自定位。对180度激光数据的仿真实验结果证明了该方法的有效性。     

基于支持向量机的概率密度估计方法

介绍了基于支持向量机的概率密度估计。从概率密度的定义出发，利用支持向量机求解线性算子方程的方法，直接估计出密度。建立了几种不同的支持向量机仿真模型来进行概率密度估计。从仿真结果来看，该种方法与Parzen窗的精度等级类似，同时又具有Parzen窗方法所不具备的稀疏解。     

基于Markov模型的机动目标分类方法

结合弹载脉冲多普勒雷达精确提取目标速度、加速度的特点,研究了利用目标的机动特性进行目标分类的方法。首先提出对目标加速度序列进行标量量化的预处理方法,然后基于一阶马尔可夫(Markov)模型建立了用于对目标加速度序列进行识别的分类器并定义了模型距离,最后分析了共用码书所刻画的状态空间对分类性能的影响。仿真实验证明,该算法计算量小,易于实现,在较小的模型距离下,能取得较高的识别率。     

基于小波域马尔可夫先验模型的图像去噪方法

提出了一种基于各向异性马尔可夫随机场(Markovrandomfield,MRF)先验概率模型的图像去噪方法。该方法利用图像小波子带的方向性特点以及小波系数尺度内和尺度间的相关性,将小波系数的分布特征建模为一种各向异性MRF先验概率模型。通过在贝叶斯框架中采用这种先验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。实验结果表明利用该方法进行图像去噪能够取得良好的效果,同时可以有效地保留图像的细节。     

基于规则和统计抽取模型中的主动学习算法

提出了一种文本信息抽取的主动学习算法,在只有部分标记训练文本的情况下,通过主动学习的方法将最有价值的训练文本挑选出来进行标记,该算法能应用到基于包装器模型和基于隐马尔可夫模型的文本信息抽取中,在不影响抽取性能的前提下,能有效降低模型训练过程对已标记训练文本的依赖程度,很大程度减少人工标记训练文本的工作量。     

基于MCMC的模糊自适应重要抽样法

针对传统的基于马尔可夫链蒙特卡罗 (Markov chain Monte Carlo,MCMC)的自适应重要抽样法只适用于失效边界确定的系统,而不适用于失效域模糊的渐变结构系统问题,提出基于MCMC的模糊自适应重要抽样法。首先从模糊失效域内的某个初始点出发,根据Metropolis准则构造马尔可夫模拟样本点;然后利用自适应核密度估计构建核抽样概率密度函数并进行重要抽样;最后离散化模糊失效域以计算系统的模糊失效概率。该方法合理地解决了以往渐变结构系统性能可靠性难以仿真分析及仿真效率低的难题,具有较高的仿真效率和精度。应用舵机案例对方法的适用性及高效性进行了验证。     

基于混合因子分析隐马尔科夫模型的训练算法

将混合因子分析方法与隐马尔可夫模型技术相结合,构造了一种新的统计声学模型-基于混合因子分析的隐马尔可夫模型 (Hidden Markov Model based on Mixture of Factor Analysis:HMM-MFA).重点研究了HMM-MFA的训练算法.通过推广著名的 Baum辅助函数,并用拉格朗日多乘子方法,导出了HMM-MFA的参数重估公式.仿真结果表明,提出的算法在识别精度上优于传统的EM算法.