双向分类随机交互效应模型中均值滑动模型的异常值检验

在双向分类随机交互效应模型中，文中引入了交互效应及误差变量上的均值滑动模型，并导出了相应的检验统计量以及它们在零假设及备择假设下的分布．在数据中有异常值出现的情况下，给出了一个检验过程．最后通过一组模拟数据进行了分析     

双向分类混合交互效应模型中均值滑动模型的异常值检验

在双向分类混合交互效应模型中,引入了交互效应及误差变量上的均值滑动模型,并导出了相应的检验统计量,在数据中有异常值出现的情况下,给出了一个检验过程．最后通过一组模拟数据进行了分析．     

基于均值漂移的自适应跟踪算法

提出一种基于均值漂移的自适应跟踪窗口算法.在初始时应用边缘加权概率密度的方法判断目标的变化,目标变大时采用形心定位和特征点仿射模型对跟踪窗口进行更新,目标减小或不变时通过Bhattacharyya系数来决定目标缩小的比例.实验表明该算法能够有效地跟踪尺度变化的目标,同时具有很好的实时性、稳定性.     

数据删除模型与均值漂移模型的等价性推广

在普通的线性回归模型中,数据删除模型与均值漂移模型是具有等价性的,文章利用线性模型的最小二乘参数估计方法,将此等价性推广至具有附加信息的线性模型中.     

基于核模糊C均值的异常检测方法

探索聚类方法在异常检测中的应用,提出了一种基于核的模糊C均值的异常检测方法.该方法使用核的模糊C均值对网络数据进行聚类,并使用基于簇内距离的判断规则对聚类结果进行标定,从而识别出攻击.使用KDD CUP1999数据集进行实验,结果表明本文表现出了高检测率和低误报率的良好性能.     

基于均值漂移的SAR图像分割方法研究

本文主要讨论了均值漂移算法在图像分割中的应用,指出均值漂移算法是一个稳定的图像分割算法,该算法具有很强的适应性.对于遭受噪声污染的图像,它的分割效果会受到很大的影响.因此针对噪声特性,提出了用滤波器来改善基于均值漂移的SAR图像分割的方法.该方法的关键是设计合适的滤波器.基于该方法进行了图像分割实验表明,该方法可以改进图像分割效果.     

智能视频分析的车辆异常行为检测方法

针对目前车辆异常行为检测中的检测实时性问题,提出了一种基于智能视频分析技术的车辆异常行为检测方法。车辆出现异常行为时车辆位置变化、速度变化及运动方向变化较大。通过背景差分法检测运动车辆,并采用均值漂移算法跟踪运动车辆,获取车辆位置、速度、运动方向等车辆异常行为判别参数,对3种判别参数的状态函数加权融合检测车辆行为。为验证该算法的有效性,将对真实交通场景中采集的交通视频进行车辆运行状态检测实验。实验结果证明该算法能及时有效地检测出交通场景中的车辆异常行为。     

核窗口尺寸和目标模型自适应的均值漂移跟踪

在目标大小、方向和颜色发生变化时,传统的均值漂移算法会因为核窗口大小和方向不能动态改变、目标模型不能及时更新而导致目标跟踪偏移甚至丢失.为此,文中提出了一种新的核窗口大小和方向可自适应调整的均值漂移跟踪算法,并构建了目标模型更新机制.首先利用计算得到的目标凸包拟合椭圆并结合卡尔曼滤波模型得到目标大小和方向的最优估计;然后利用目标大小和方向的估计值调整算法核窗口的大小和方向,修正核权重分布;最后联合目标形状和颜色信息构建一种目标更新机制,及时更新目标模型以适应目标的变化.不同场景下人体、非机动车等非刚体目标的视频序列实验结果表明,文中方法可以对大小、方向和颜色变化明显的目标进行准确、稳定的跟踪.     

基于均值漂移算法的人脸自适应跟踪

采用自适应人脸方向模板和YCbCr自适应肤色模型,提出了一种新的基于均值漂移算法的自适应人脸跟踪方法。与传统的均值漂移跟踪方法相比,当人脸倾斜时或光线变化时,该方法能更精确地描绘出人脸位置。实验结果表明,在基本上不增加计算量的情况下,该方法能对人脸的倾斜和光线的变化进行很好地自适应跟踪。     

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.     

一种基于目标函数的局部离群点检测方法

针对传统的基于密度的局部离群点检测算法对原始数据集没有进行预处理导致该算法在面对未知数据集时检测效果不理想,又由于其需要计算每一个数据点的离群因子,在数据量过多时,计算量大大增加的问题,通过对局部离群点检测算法的分析,提出了一种基于目标函数的局部离群点检测方法FOLOF(FCM objective function-based LOF).首先,使用肘部法则确定数据集的最佳聚类个数;然后,通过FCM的目标函数对数据集进行剪枝,得到离群点候选集;最后,利用加权局部离群因子检测算法计算候选集中每个点的离群程度.利用该方法在人工数据集和UCI数据集上进行了相关实验,并与其他相关方法进行了对比,结果显示,该算法能够提高离群点检测精度,减少计算量,有效提高离群点检测性能.     

基于改进微粒群算法的K-MEANS聚类和孤立点查找

K均值算法的聚类个数K需指定,聚类结果与数据输入顺序相关,而且易受孤立点影响.针对这些缺陷,首先以实验的方式证明了找到最优的初始质心是K-MEANS算法有效的条件,对局部版的微粒群优化算法(PSO)进行了改进,利用其局部搜索的功能查找到K均值算法的最优初始质心和存在的孤立点,克服了K均值算法的这些缺陷。     

基于均值漂移的高分辨率影像多尺度分割

高空间分辨率遥感影像在许多领域均有应用。由于遥感影像数据量大且内容复杂,目前少有针对这种影像的有效分割方法。引入一种快速、稳健的多尺度分割方法——均值漂移,该方法是一种通过简单迭代快速自适应上升的模式搜索法。基于均值漂移算法的分割方法,并充分利用光谱特征与空间特征,通过具有一定物理意义的参数控制分割精度,与目前商用软件eCognition提出的分割算法相比,同样达到与视觉分割一致的效果,并且速度更快。     

基于图的情境离群点检测方法

针对异常模式挖掘中的情境离群点检测问题,提出一种基于图的检测方法.首先对数据实例构建一个实例图,然后采用一个滑动窗口穿越数据实例,对处于滑动窗口内的数据实例,计算结点之间的闵可夫斯基距离作为边权值,然后采用最小生成树聚类算法对实例图进行聚类,再采用第二个滑动窗口穿越数据实例,根据窗口内的数据实例是否属于主趋势聚类赋予不同的离群值评分,不属于主趋势聚类的数据实例被认为是潜在的离群点.仿真实验和实际数据分析表明该方法在一元序列数据检测中是切实可行的,该方法具有较好的适用性和扩展性.     

一种基于距离的聚类和孤立点检测算法

提出了一种基于距离的聚类和孤立点检测算法(DBCOD),根据距离阈值对数据点进行聚类,在聚类过程中记录每个数据点的密度,并根据密度阈值确定数据点是否为孤立点.实验结果表明,该算法不仅能够对数据集进行正确的聚类,可以发现任意形状的聚类,算法执行效率优于DBSCAN,具有对噪音数据、数据输入顺序不敏感等优点,同时还能有效地进行孤立点检测.     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

基于距离和密度的聚类和孤立点检测算法

提出了一种基于距离和密度的聚类和孤立点检测算法.该算法根据距离和密度阈值对数据进行聚类,同时发现数据中的孤立点.实验结果表明,该算法能够识别任意形状的聚类,对高维数据有效,能够很好的识别出孤立点.