Alpha稳定分布噪声下基于特征值之差频谱感知算法

针对基于特征值的谱感知算法在脉冲噪声的环境下感知性能不佳的问题，分析矩阵全部的特征值，引入矩阵特征值的几何均值，提出了基于分数低阶协方差矩阵的最大特征值与特征值几何均值之差(difference between maximum eigenvalue and geometric mean of eigenvalue, DMGM)的频谱感知算法。选择了Alpha稳定分布噪声模拟脉冲噪声环境，理论分析与仿真实验结果表明，在不增加算法复杂度的前提下，DMGM算法与其他算法相比，更适用于脉冲噪声环境，在低信噪比条件下具有更好的感知性能。     

质量控制图评价煎炸油极性组分检测结果稳定性

煎炸油中极性组分指标的检测结果,除了受样品本身均匀性之外还受到层析硅胶柱性能的影响,检测结果有不同程度的波动。结合质量管理中控制图统计方法(6σ原理)和数理统计小概率原理,利用在相对稳定的条件下在一段时间内积累的检测数据,运用控制图来评价实验室检测棉籽煎炸油中极性组分测试结果的稳定性,通过绘制均值-标准差控制图,提前预警测试结果是否处于稳定可控状态。     

一种多阶段发酵过程的联合加权支持向量机建模方法

发酵过程是一类具有多阶段特性的间歇过程,在建立其多阶段模型时,各阶段子模型的融合方法特别是过渡阶段的处理方法是研究重点。针对发酵建模过程中过渡阶段的处理问题,提出了一种联合加权支持向量机(SVM)建模方法,利用阶段划分得到的隶属度函数对训练样本数据进行扩展,进而直接建立发酵过程的多阶段模型。实验结果证明,所提出的方法能够很好地处理各阶段间的过渡过程,提高了模型精度。     

凸凹函数的应用

讨论了上(下)凸函数的性质,应用上(下)凸函数的性质,给出了(Holder)不等式和均值不等式的一种新证明。     

针对大规模数据的分布一致缺失值插补算法

缺失值插补(missing value imputation,MVI)作为数据挖掘领域的重要研究分支，旨在为机器学习算法的训练提供高质量的数据支持。不同于现有的以算法性能提升为导向的MVI算法，为对大规模数据的缺失值进行有效插补，该文提出一种以数据结构还原为导向的数据分布一致MVI(distribution consistency-based MVI, DC-MVI)算法。首先，DC-MVI算法基于概率分布一致性原则构建了用于确定最优插补值的目标函数；其次，利用推导出的可行缺失值优化规则获取与原始完整值保持最大分布一致性且方差最为接近的插补值；最后，在分布式环境下，针对大数据的随机样本划分(random sample partition, RSP)数据块并行训练DC-MVI算法，获得大规模数据缺失值对应的插补值。实验结果表明：DC-MVI算法不仅能生成与原始完整值保持给定显著性水平下概率分布一致的插补值，还具有比另外5种经典的和3种最新的MVI算法更快的插补速度和更好的插补效果，进而证实DC-MVI算法是一种可行的大规模数据MVI算法。     

视频分析在交通控制中的应用

提出了一种在一系列连续视频图像中提取背景像素的方法.在背景提取的基础上,采用灰度图像的帧间差分法和背景均值法,再运用虚拟检测线法对视频图像中运动物体进行检测.在合理的假设条件下,对所划检测线上的灰度像素矩阵进行运算,通过计量的数据,运用数学和物理方法,可以得出车辆的外形,即分为大、中、小型车,车辆的行驶速度以及其他一些重要的数据.     

洛伦兹函数均值和收入差距

分析了收入达不到洛伦兹函数均值的人口比例，以及这个比例和基尼系数的关系，探讨它所反映的贫富差距的信息，并通过模拟洛伦兹函数确定了参数取值与基尼系数在一定范围内的关系。     

基于模糊C均值聚类算法和贝叶斯判别函数研究深水油藏分类评价

针对目前深水油藏分类评价研究现状的不足,基于模糊C均值聚类算法和贝叶斯判别函数,建立了深水油藏指标选择标准和分类评价体系。优选世界三大深水油气区19例油田的特征属性参数作为典型样品集,采用模糊聚类分析对深水油藏进行了分类,在此基础上,应用贝叶斯判别决策理论,建立了深水油藏分类评价的定量判别关系,对未知类型的深水油藏进行了定量分类评价。实例结果表明,应用模糊C均值聚类算法和贝叶斯判别函数相结合进行深水油藏分类评价是有效的,该分类评价体系考虑的油藏参数更为全面,分类结果更为明显,对于深水油田的开发具有一定的指导意义。     

关于一类可乘函数的均值

研究了一类可乘函数的均值估计,利用解析方法给出了几个较强的渐近公式,所得结果表明该类函数具有较好的渐近分布性质.     

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.