共查询到18条相似文献,搜索用时 46 毫秒
1.
2.
本文提出了基于增量学习神经模糊网络机动目标跟踪模型.当被跟踪目标发生机动时,该模型立刻检测到机动并对卡尔曼滤波器的自适应系统协方差进行精确估计,系统得到及时、正确的补偿.增量学习神经模糊网络能够随着环境变化,自动调整、找到最优的网络结构及参数,当发生机动时,总是能产生接近真实机动值的估计输出,从而提高跟踪性能及避免错误跟踪.仿真结果表明,该模型比传统的机动目标跟踪模型有更好的跟踪性能,并且该模型能动态的适应环境的变化,使系统更加实时,精确的跟踪机动目标. 相似文献
3.
当前基于增量主成分分析(PCA)学习的跟踪方法存在两个问题,首先,观测模型没有考虑目标外观变化的连续性;其次,当目标外观的低维流行分布为非线性结构时,基于固定频率更新模型的增量PCA学习不能适应子空间模型的变化。为此,该文首先基于目标外观变化的连续性,在子空间模型中提出更合理的目标先验概率分布假设。然后,根据当前跟踪结果与子空间模型之间的匹配程度,自适应调整遗忘比例因子,使得子空间模型更能适应目标外观变化。实验结果验证了所提方法能有效提高跟踪的鲁棒性和精度。 相似文献
4.
5.
6.
传统的合成孔径雷达(SAR)目标识别往往采用批量学习的方法,但是在现实应用中,系统的训练数据并不能一次性全部获得,当有新的训练样本到来时,采用批量学习方法需要重新训练整个系统。为解决这个问题,将增量学习算法——正则在线序贯式极限学习机(ROSELM)应用到SAR目标识别中,并且采用粒子群算法优化ROSELM的初始权值以提高其稳定性和识别率。实验结果表明,该算法在新的SAR目标样本获得时只需要通过更新输出权值即可完成系统的更新,无需重新训练,且速度极快、识别率高,可以作为SAR目标识别系统在线更新的良好选择。 相似文献
7.
8.
包含隐变量的贝叶斯网络增量学习方法 总被引:1,自引:0,他引:1
提出了一种贝叶斯网络增量学习方法——ILBN.ILBN将EM算法和遗传算法引入到了贝叶斯网络的增量学习过程中,用EM算法从不完整数据计算充分统计量的期望,用遗传算法进化贝叶斯网络的结构,在一定程度上缓解了确定性搜索算法的局部极值问题.通过定义新变异算子和扩展传统的交叉算子,ILBN能够增量学习包含隐变量的贝叶斯网络结构.最后,ILBN改进了Friedman等人的增量学习过程.实验结果表明,ILBN和Friedman等人的增量学习方法存储开销相当,但在相同条件下,学到的网络更精确;实验结果也证实了存在不完整数据和隐变量时,ILBN的增量学习能力. 相似文献
9.
对大量密集的空间群目标进行有效跟踪、编目已成为空间监测的迫切需求。地基雷达作为近地轨道空间监测的主要手段,在对高密度的空间小碎片云进行跟踪时,通常会由于分辨能力有限,造成对个体目标检测、观测信息严重缺失,使得传统的多目标跟踪技术难以奏效。为此,该文基于群跟踪的概念,在贝叶斯框架下以群目标的整体运动趋势为跟踪对象,同时兼顾个体的运动目标轨迹跟踪,通过建立群目标的中心和观测量之间的相互作用约束模型,可以提升在漏警概率较高情况下的目标数目估计的稳健性以及单个目标的跟踪精度。贝叶斯积分的求解过程通过MCMC-Particle 算法具体实现。通过对空间群目标跟踪的仿真实验验证了群跟踪技术的有效性。 相似文献
10.
11.
An incremental subspace learning scheme to recover lost speech segments online is presented. Our contributions in this work are twofold. First, the recovery problem is transformed into an interpolation problem of the time‐varying gains via nonnegative matrix factorization. Second, incremental nonnegative matrix factorization is employed to allow online processing and track the evolution of speech statistics. The effectiveness of the proposed scheme is confirmed by the experiment results. 相似文献
12.
In neural network learning, it is practically necessary to retrain a trained network when novel data become available. Retraining from the scratch is highly inefficient in memory and computation while adjusting adaptively the trained result by the new data is a natural avenue and it is called incremental learning[1]. Recently, incremental learning becomes an interest issue in neural networks, and also many methods have been devised[1~3]. These methods are divided into two categories according … 相似文献
13.
LIU Ben-yong 《电子科技学刊:英文版》2004,2(4):29-36
In recently proposed partial oblique projection (POP) learning, a function space is decomposed into two complementary subspaces, so that functions belonging to one of which can be optimally estimated. This paper shows that when the decomposition is specially performed so that the above subspace becomes the largest, a special learning called SPOP learning is obtained and correspondingly an incremental learning is implemented, result of which equals exactly to that of batch learning including novel data. The effectiveness of the method is illustrated by experimental results. 相似文献
14.
15.
一种具有渐进学习能力的融合方法 总被引:3,自引:0,他引:3
运行在动态与未知环境下的多传感器系统往往会面临环境与自身结构的渐进式变化,导致一般的具有学习能力的融合方法很难适用.本文提出了一种具有渐进学习能力的融合方法,它具有良好的自适应性和鲁棒性.该方法由一种名为接受域加权回归(Receptive Field Weighted Regression)的渐进式学习算法和加权平均的融合算法组成.最后以三个摄像机联合定位作为研究对象,对该方法进行了仿真,验证了其有效性,同时还和基于BP神经网络的融合方法进行了比较. 相似文献
16.
增量学习是一种在巩固原有学习成果的基础上快速有效地获取新知识的学习模式.本文在简述增量学习的相关研究以及排序学习前向掩蔽模型(SLAM)的特点后,提出了一种基于SLAM的快速增量学习算法.该算法在原神经网络模型分类能力的基础上,实现对新增样本的快速增量学习,从而在较短的时间内提高该网络模型的分类推广能力.最后,与SLAM算法和Levenberg-Marquardt 后向传播(LMBP)算法的实验对比结果证实了该算法的有效性. 相似文献
17.
为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。 相似文献