自适应融合的长期目标跟踪算法

为了完成复杂场景中的长期视觉跟踪任务,解决尺度变化、外观变化和跟踪失败等问题,提出了一种双模型融合的长期跟踪算法.首先,将稀疏核相关滤波模型和颜色模型得到的跟踪响应进行自适应融合,构成更具鲁棒性的跟踪结果;然后,利用响应最大值来判断目标跟踪是否成功,并通过随机抽样学习用于在跟踪失败情况下重新检测目标的CUR滤波器,实现长期跟踪.在大规模基准数据集上的实验结果表明,算法在效率、准确性和鲁棒性方面优于现有相关跟踪算法.     

MSVM在汶马高速公路隧道围岩分级中的应用

通过分析国内外的多种围岩分级方法,结合SVM理论与隧道开挖现场实际情况,建立一种快速、准确的隧道围岩分级方法。采用岩石坚硬程度、岩体完整程度、岩体结构、节理风化状况、地下水状况、嵌合程度和地应力状况作为隧道围岩分级评价指标。采用一对一法构建多类分类器,将大量经过专家修正过的隧道围岩分级数据作为多分类SVM的训练学习样本,采用高斯核函数进行计算,结合汶马高速公路隧道施工期围岩分级实践,建立了多分类SVM隧道围岩分级模型,实现不同条件下的围岩分类的合理识别。汶马高速公路隧道围岩分级实际应用表明,该模型能快速、较为准确地进行公路隧道围岩分级。     

一类复平面内二阶微分方程解的渐近式

针对如何求解一类复平面内满足一定初始条件下的二阶微分方程的通解和特解,以及微分方程特解及其导数在不同区域内渐近表达式的问题,提出了利用积分方程理论和微分算子中特征值和特征函数渐近理论推导并证明了相关结论;通过在积分方程中引入满足特定条件的积分核的方法证明了积分方程解的有界性和连续性,从而为后续结论的推导证明提供了理论支撑,另外通过引入一类性质很好的广义积分函数并通过迭代逼近的方法给出了微分方程特解及其导数在特定区域内的渐近表达式;根据所得结果可知,微分方程特解的渐近式的精度得以提高,同时探讨了进一步提高微分方程特解的渐近式精度的方法.     

基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.      

基于自适应动态时间规整(DTW)的GA-FCM多阶段间歇过程故障诊断

多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类（FCM）算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法（GA-FCM）,用于克服FCM易于陷入局部极优值的问题,以达到全局最优。同时,针对间歇过程数据不等长问题,提出自适应动态时间规整（DTW）算法。随后,用GA-FCM方法完成阶段划分,再建立多向核主元分析（MKPCA）模型完成故障检测。最后将此算法应用于青霉素发酵过程,仿真结果验证了所提方法的可行性和有效性。     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

г－群上的模糊同余

本文引入了г－群的模糊核正规系的概念，证明了г－群的模糊同余核是模糊正规系。而且证明了给出一个模糊核正规系，它决定了г－群的一个模糊同余。     

粗糙极大算子交换子有界性的一个注记

本文给出一类粗糙核极大算子与ＢＭＯ函数产生的高阶交换子的加权（Ｌｐ，Ｌｑ）有界性     

FLDA的核化过程

核方法是近年发展起来的一种新的机器学习方法,它可在高维(特征)空间中用线性的方法有效地解决低维(输入)空间中线性不可分问题.采用核方法,在Mika提出的核Fisher判别基础上,给出Fisher判别分析从输入空间变换到特征空间的数学过程(核化过程),并对特征空间中投影向量可由训练样本线性表示问题予以证明.