分块二维局部保持鉴别分析在人脸识别中的应用

局部保持鉴别分析在人脸识别研究中具有非常重要的地位。在此基础上提出的2DLPDA算法直接在二维空间进行运算,一定程度上提高了性能。但是当样本在光照阴影、遮挡等情况下时,识别率受到很大影响,为此提出一种改进的算法,即分块二维局部保持鉴别分析方法。其将样本分块,以更好地提取样本中的局部近邻特征。这样同一样本的不同分块在选择近邻时,就可能具有来自不同样本的近邻,从而能更好地提取样本的局部特征。最后将局部特征整合为整体作为识别的依据。在AR、YALE及ORL库上验证了算法的有效性。     

新的AdaBoost算法评价体系

工程实际中,往往通过对比两个AdaBoost算法在相同弱分类器数量条件下的错分率来比较算法性能,这样就忽略了在弱分类器数量增加时,错分率的波动会造成对比不准确的问题。为此,分别针对分类器性能的分类准确率、收敛速度和稳定性,提出了稳态错分率、调节规模、振荡度三个量化指标,构成了一个相对完备的评价体系。实验表明,该评价体系能更全面反映AdaBoost的分类效果。     

空间可分级视频编码的层间预测新算法

针对可分级视频编码中图像输出质量与编码所需时间的权衡问题,提出了一种可行的层间预测算法.该算法结合空间可分级的层间结构特点,充分利用基本层宏块及其邻域宏块的备选模式,依据其统计规律计算当前增强层待编码宏块可能的最优备选模式,有效地减少参与运动估计运算的模式数量,以达到降低编码时间的目的.通过JSVM的仿真实验,该层间预测算法与传统的层间预测算法相比,在输出图像质量变化较小的前提下,能够大幅降低编码时间,提高编码效率.     

中心差分卡尔曼平滑器

针对一类非线性离散系统的状态平滑问题, 本文设计了一种中心差分卡尔曼平滑器(CDKS). 文中基于最小方差估计准则, 详细推导了非线性系统的状态最优平滑递推公式, 并采用中心差分变换来近似计算状态的后验均值和协方差. 相比于传统中心差分卡尔曼滤波器(CDKF), 所设计的CDKS算法有效提高了非线性状态的估计精度, 拓展了中心差分变换的应用范围. 仿真实例验证了所提出平滑器的可行性和有效性.     

一种用于宽带信号测向的新算法

在基于子空间方法的宽带信号测向算法中，聚焦矩阵的构造对测向性能有着重要的影响．本文给出了求聚焦矩阵的一类方法，聚焦前后阵列信噪比没有任何损失．通过对聚焦后的协方差矩阵进行特征值分解，然后进行一维谱峰搜索，获得宽带辐射源来波方向的估计值．把本文算法应用到均匀线阵上，仿真实验结果证明了算法的有效性，并且给出了方向估计精度、分辨率与信噪比、快拍数、相对带宽之间的关系．     

一种结构元素自适应顺序形态滤波器

在最小均方误差和最小平均绝对误差准则下，实现了顺序形态滤波器结构元素的自适应处理。该滤波器不仅可以有效地抑制信号中的各种噪声，而且较好地保护了信号的几何特征。计算机模拟结果验证了滤波算法的有效性。     

面向锂电池少量循环的二维支持域直推式健康状态预测

锂离子电池的健康状态(SOH)是反映电池老化程度的关键指标,但由于电池老化的非线性和不确定性使得SOH难以精确估计,并且受到电池数据收集的高时间成本和容量再生现象的影响,传统的数据驱动方法在历史充放电循环数较少时效果较差.针对上述问题,本文创新性地提出了一种二维支持域直推式学习(2D-RoSTL)建模思路,建立了数据由粗到细的精准划分方法,用于少量充放电循环下的SOH预测.一方面,考虑同型号多块电池的批次特性,利用历史数据和批次数据构造二维支持域扩充模型信息来源,提供了粗范围的大量可供选择的样本;另一方面,首次尝试以直推式学习的方式解决SOH预测的任务,利用离线和在线样本特征空间的信息,对每个样本进行细致划分,提升少量充放电循环情况下模型的预测可靠性.基于NASA的公开数据集,所提出的二维支持域直推式建模方法在4个电池上的预测误差均小于1.56%,实现了对锂电池充放电历史初期及再生点的精确预测.     

压缩感知理论及其在成像技术中的应用

在传统的Shannon/Nyquist采样定理指导下,信号处理往往面临两大难题:A/D转换器技术的限制和海量采样数据的处理压力.压缩感知(CS)理论表明当信号具有稀疏性或可压缩性时,可以通过全局非自适应线性投影的方式,用远低于Shannon/Nyquist采样定理要求的频率获取信号的全部信息.以CS理论为基础的压缩成像(CI)技术在近年来得到了快速的发展.在概述CS理论的基础上,着重介绍了CI技术的原理及其发展状况,并从稀疏分解、观测矩阵的构造和重建算法3个方面对其关键问题进行了分析.CI系统可以显著节省感光器件的数量,避免了传统成像技术"先采样再压缩"方式带来的资源浪费.     

高斯模型与区域生长相结合的景物识别算法

研究景物图像特征提取,光照环境因素变化时,室外场景光学成像也随之发生很大变化,景物特征复杂,严重影响了景物识别的精度.为了解决上述问题,提出一种高斯模型与区域生长相结合的景物识别算法.先提取图像区域的底层视觉特征以及空间位置特征,并通过高斯分布为每类景物建立模型,然后根据模型测试图像中区域属于每一类景物的概率,把概率值较大的区域加入到模型中,更新模型参数,最后,把概率值较大的区域作为种子点进行区域生长得到景物识别的结果.采用Matlab 7.0软件对Pasadena 数据库中景物进行仿真识别.结果表明识别目标景物的有效性,为复杂场景下景物识别提供了一种有效的算法.     

基于复小波的彩色光流估计

利用色彩恒常性假设,将RGB色彩分量光流基本方程映射至小波域,通过复小波构建的过定线性方程组进行多分辨率光流估计,避免实小波相位震荡带来的光流求解误差,并利用各颜色分量组成的线性方程组的系数矩阵条件数判断求解的可靠性,选择各颜色分量中最可靠的解最为该点最终的光流解。数值实验结果证明了该算法的有效性。