线元马尔可夫随机场模型和重建

本文提出了一种线元马尔可夫随机场模型,其状态由一定方向的线元及其空间相互关系加以描述,利用神经元网络的学习功能和多值Boltzmann机模型,对线元马尔可夫随机场模型进行重建,计算机实验结果证实了重建算法的有效性。     

纹理分析窗大小的高斯-马尔可夫随机场模型估计方法

在纹理分析中,窗口大小的选择对所提取特征的有效性及计算速度等有很大影响。文中利用高斯－马尔可夫随机场（ＧＭＲＦ）模型对纹理进行描述,采用最小平方误差估计获取纹理图像的随机场参数,并证明了这种估计的一致性。针对估计式在某些情况下可能无解,对该式作了改进,使其在实际应用中总能有解。利用估计的一致性,提出了一种系统估计纹理分析窗口大小的方法,实验表明了这种方法的有效性。     

一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法

该文研究了无监督遥感图像分类问题。文中构造了图像的隐马尔可夫随机场模型(HiddenMarkov Random Fleid,HMRF),并且提出了基于该模型的图像分类算法。该文采用有限高斯混合模型(Finite Gaussian Mixture,FGM)描述图像像素灰度的条件概率分布,使用EM(Expectation-Maximization)算法解决从不完整数据中估计概率模型参数问题。针对遥感图像分布的不均匀特性,该文提出的算法没有采用固定的马尔可夫随机场模型参数,而是在递归分类算法中分级地调整模型参数以适应区域的变化。实验结果表明了该文算法的有效性,分类算法处理精度高于C-Means聚类算法.。     

基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法。该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL（Kullback-Lerbler）信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度。在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度。通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性。     

基于高斯-马尔科夫随机场模型的脑血管分割算法研究

由于脑血管具有分枝众多、形态细小以及位置特殊和形态复杂等特性,在医学图像中精确地提取脑血管成为一项比较棘手的问题。该文提出了一种新颖的统计学分割方法,有效地实现了脑血管的精确分割。首先,充分利用各血管像素的空间邻域信息,将马尔科夫随机场信息加入到统计学模型的方法中,提出了新的马尔科夫统计模型;然后,利用随机期望最大化(Stochastic versions of the Expectation Maximization, SEM)算法来对统计模型中的多个参数进行估计,寻找最优解,进而实现了脑血管的3维分割。实验结果表明,该方法不仅能够分割出较大的血管分支,而且因其考虑了血管邻域信息,对细小血管的分割也有较好的效果,因此对脑血管疾病的临床预防和诊断具有深远的意义。     

基于快速EM算法的马尔可夫随机场模型运动目标自动分割

文章提出一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法。该算法采用高斯混合分布描述视频序列的差分图像，对标准Expectation—Maximization(EM)算法进行了改进，提出了快速EM算法。从不完整数据中估计出概率模型的参数。在此基础上建立马尔可夫随机场模型，构造系统能量函数。然后通过条件迭代模型(ICM)优化算法求解能量函数的最优解，得出标记场，提取出运动目标。实验结果证明，该算法对运动目标分割具有很好的分割效果。     

吉布斯随机场模型及其在图象处理中的应用

本文论述了吉布斯(Gibbs)随机场模型及其在图象处理中的应用,描述了根据这类模型而提出的纹理图象生成算法和有噪图象及纹理图象分割的各种MAP算法。     

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。     

基于高斯-马尔可夫随机场和神经网络的无监督纹理分割

提出一种基于高斯-马尔可夫随机场(GMRF)和神经网络的无监督纹理分割方法,方法分为两步:第一步先将图像分为不重叠的小块,在小块中计算GMRF参数,并将此参数和该块的均值、方差作为该块的特征向量,然后进行聚类,得到原图像的一个初始分割和图像中所包含的类别数;第二步构造一个决定性松弛的神经网络,将第一步得到的结果作为初始输入,经过神经网络计算,得到一个精确的分割结果.实验证明:该方法是一种有效的纹理分割方法.     

高斯随机场参数的最小相对熵估计法

本文根据图像处理的需要，提出了高斯随机场参数的一种最小相对熵估计法，该方法利用模拟退火技术寻求概率分布的最小相对熵，文中给出了利用这种估计法对多分量混合－元高斯分布进行参数估计的实例。     

复合马尔可夫模型在2——D谱估计中的应用

马尔可夫模型做为纹理合成的重要手段之一已得到广泛地重视,复合马尔可夫模型是一种新的、绝对稳定的马尔可夫模型,其纹理合成视觉效果与一般马尔可夫模型相同。本文将之引入到2—D谱估计,实验结果表明其估值精度较高是纹理识别与理解的有力工具。     

Recursive Least Squares Parameter Estimation for a Class of Output Nonlinear Systems Based on the Model Decomposition

In this paper, we study the parameter estimation problem of a class of output nonlinear systems and propose a recursive least squares (RLS) algorithm for estimating the parameters of the nonlinear systems based on the model decomposition. The proposed algorithm has lower computational cost than the existing over-parameterization model-based RLS algorithm. The simulation results indicate that the proposed algorithm can effectively estimate the parameters of the nonlinear systems.     

Recursive Extended Least Squares Parameter Estimation for Wiener Nonlinear Systems with Moving Average Noises

Many control algorithms are based on the mathematical models of dynamic systems. System identification is used to determine the structures and parameters of dynamic systems. Some identification algorithms (e.g., the least squares algorithm) can be applied to estimate the parameters of linear regressive systems or linear-parameter systems with white noise disturbances. This paper derives two recursive extended least squares parameter estimation algorithms for Wiener nonlinear systems with moving average noises based on over-parameterization models. The simulation results indicate that the proposed algorithms are effective.     

Maximum Likelihood Recursive Least Squares Estimation for Multivariable Systems

This paper discusses parameter estimation problems of the multivariable systems described by input–output difference equations. We decompose a multivariable system to several subsystems according to the number of the outputs. Based on the maximum likelihood principle, a maximum likelihood-based recursive least squares algorithm is derived to estimate the parameters of each subsystem. Finally, two numerical examples are provided to verify the effectiveness of the proposed algorithm.     

递归最小二乘格型滤波联合估计过程性能分析

联合估计过程有2种模式,分为总体误差更新及阶误差递归更新方式。经过格型结构滤波后,提取其中产生的后向预测误差序列作为联合估计的输入信号。通过对系统辨识问题的仿真分析,得出以下结论：如果不需要严格关注滤波模型本身噪声所带来的测量误差,从实用性的角度考虑,在总体误差更新模型中采用递归最小二乘格型联合估计处理方式（RLSLJE）性能较好,其收敛效果较为理想。     

基于区间全局优化的非线性最小二乘估计

分析了使用区间全局优化算法进行非线性系统模型参数估计的原因,介绍了非线性最小二乘估计和区间全局优化算法.在非线性系统模型参数估计中,相对于通过优化目标函数求得待估参数点估计的现有算法,基于区间分析的区间全局优化算法不仅可以求得待估参数的点估计,还可得到肯定包含待估参数真值的估计区间,并且该算法还具有计算结果稳定以及更大范围收敛的性质.通过仿真实验并与其他方法进行比较,结果表明算法的可行性和有效性.     

基于稀疏成份分析的几何绕射模型参数估计

雷达目标散射中心的参数估计对目标特性分析和目标识别有重要意义。该文以几何绕射模型为基础,综合利用多频段的频域测量数据,给出了散射中心位置、幅度和散射类型参数的融合估计方法。数值仿真结果表明,该方法能有效地挖掘模型信息,具有超分辨能力,给超宽带雷达信号处理提供了新的途径。