一种引入动态词库更新的中文分词架构

针对互联网环境下新词出现和更新频率高的特点,将机械分词与基于规则分词相结合,提出一种动态更新词库的中文分词架构.本架构给出了新的词典设计结构及歧义处理规则,并将统计学中的互信息概念运用到新词判定环节.实验表明本文提出的中文分词架构具有较高的准确率和良好的适应性.     

基于最大加权区域互信息的声呐图像检索系统

针对声呐图像检索的实际需求,设计基于最大加权区域互信息的声呐图像检索系统。对声呐图像进行分割,产生n个子区域;计算例图与图像库中各个图像子区域之间的互信息,结合声呐图像目标物体的特点,对区域互信息进行加权;取加权区域互信息中的最大值作为图像互信息,并照其大小进行图像排序,经门限处理后,将排在前面的图像作为检索结果输出。仿真实验结果表明:基于最大加权区域互信息的检索方法更加适用于声呐图像检索,尤其是在处理两幅背景相同前景不同或者前景相同背景不同的图像时更有优势。     

基于互信息的颅脑MR影像序列的三维配准

医学图像配准具有重要的临床应用价值,并一直是医学图像处理领域的热点研究问题。基于互信息的配准方法由于自动化程度高和配准精度高的优点而被广泛应用于三维医学图像配准;但是,也存在着数据量大、计算速度慢的问题。采用归一化互信息测度,并将一种新的正交优化技术应用于颅脑MR影像序列的三维配准,旨在缩短处理时间。将该方法与使用传统优化算法的配准方法作了比较,实验结果表明,提出的方法能够显著提高配准速度,且不降低配准精度。     

基于遗传算法与Shannon熵的故障监控参数优选

研究液体火箭发动机故障诊断中监控参数的优选问题.基于Shannon熵理论提出 了特征参数组所含故障分类信息的理论值及其工程计算方法,证明了故障分类信息与参数相 关性之间的单调降关系,并以此作为特征参数的优选准则,利用改进的遗传算法对某液体火 箭发动机的常见故障进行了特征参数优选,数值实验结果表明所选特征参数合理,且故障分 类器的计算复杂度大大降低而对噪声的鲁棒性大大提高.     

有限字符集信号传输的互信息计算

针对目前有限字符集上衰落信道下的数字通信传输方法无法既简洁又准确地计算互信息值问题,提出了一种新的互信息值计算方法.通过分析对数似然比与互信息之间的关系,对高信噪比和低信噪比两种情况下的简化计算进行加权组合,实现了宽信噪比区间内的低复杂度和准确的互信息值计算.实验结果表明,该算法不仅能够准确地计算互信息值,而且能够简洁、准确地评估无线传输的差错概率.与目前常用算法相比,本文算法具有准确、简便和直观的优势,对数字通信系统性能的理论分析具有较好的指导意义.     

一种多用户的双向中继系统预编码方案

为提高多对用户双向中继系统的性能,提出一种新的预编码方案。设计具有2K个用户和一个中继节点的系统,每个节点通过中继节点交换信息,节点间的信道相互独立且服从瑞利慢衰落,给出用于信息传输的2个时隙,分析中继节点的信噪比和系统的互信息。仿真结果表明,当中继节点的信噪比为25 dB时,该方案的互信息相比传统方案提高1.2 bit/s/Hz。     

一种基于蚁群算法和互信息测度的图像拼接技术

以图像间的互信息为基础,通过计算图像的信息熵来获得2幅图像的匹配区域。利用互信息量测度函数作为蚁群算法的适应值函数,通过蚁群迭代寻找最优的匹配区域。与SIFT拼接算法进行比对实验。实验结果表明,本文算法具有良好的拼接效果和较高的拼接效率。     

基于小波变换的多聚焦图像自适应融合

图像融合是对来自同一场景的不同源图像的信息进行互补和合成,从而获得更为准确、更为全面、更为可靠的图像。采用了一种基于小波变换的自适应图像融合方法,首先将配准好的图像进行小波分解,并提取出细节分量和近似分量。其次,针对不同的频率域选择不同的融合规则,对低频系数选取区域均匀度和变化率相结合的融合规则,对高频系数选用区域方向对比度和区域匹配度相结合的自适应融合规则。最后通过小波逆变换得到融合图像。将其它融合算法和文中所提算法进行主观和客观的对比,结果表明,该算法是一种有效可行的图像融合算法。     

互信息与爬山法相结合的贝叶斯网络结构学习

针对爬山法容易陷入局部最优,而随机重复爬山法时间开销过大的问题,将互信息与爬山法相结合,提出了MI&HC贝叶斯网络结构学习算法。首先利用互信息构建初始网络结构,再从该网络结构开始利用爬山法进行贝叶斯网络结构学习。仿真结果表明:MI&HC算法,对小型稀疏网络结构的学习效果非常好,对较大型的网络结构的学习也能得到令人满意的结果;该算法不需要节点顺序这一先验信息,却能获得与K2算法相当的学习效果。     

一种基于信息度量的流特征遴选算法

提出一种基于信息度量的流特征选择算法。该算法可分为粗粒度选择和细粒度选择2个选择步骤。粗粒度的选择通过计算特征集合中各个特征与不同业务类别的互信息,选择在流分类中最具代表性的特征。对于选取的这些特征进行细粒度的选择处理,通过计算已选特征集合中特征之间的一致性,排除多余的特征。实验结果表明,该算法遴选出的特征在用于数据流分类时,准确率和召回率都较同类算法高,且时间复杂度较低。