多输入单输出逆高斯分布流域汇流模型

本文将逆高斯分布应用于由水库和区间组成的复杂的流域汇流系统，并建立了多输入单输出逆高斯单位线模型。讨论了模型参数的估计方法，并对沾益流域的雨洪资料进行了实例分析。     

一种简便的评定引战配合效率方法

在导弹近炸引信起爆延时具有随机性基础上，本文建立了一种用延时及其数学特征表示的评定引战配合效率的简便方法，并对有关应用问题进行了讨论。     

基于NSST和RI-LPQ的纹理图像检索

针对采用单一方法提取图像特征时检索率不高的问题,结合非下采样剪切波变换(NSST)统计特征和旋转不变的局部相位量化(RI-LPQ)原理,提出一种纹理图像检索方法。非下采样剪切波不仅具有方向选择性及平移不变性,而且可以对图像进行有效的稀疏表示,与传统小波相比,可有效捕捉图像的边缘轮廓等纹理信息,与非下采样轮廓波相比,具有更高的计算效率。利用广义高斯分布函数对图像NSST高频子带系数的统计特征进行分析,RI-LPQ描述算子直接提取图像特征,采用具有权重系数的相似性测度公式对Brodatz图像库进行纹理图像检索。实验结果表明,与传统小波和轮廓波的方法相比,NSST统计特征方法的平均检索率分别提高4.77%和1.44%,纹理图像检索方法的平均检索率分别提高7.36%和1.98%。     

β衰变中共振跃迁高斯分布谱的研究

针对弱相互作用β衰变在恒星演化晚期的重要作用,讨论了晚期恒星状态下β衰变反应中Gamow-Teller(GT)共振跃迁强度的高斯分布,基于核的壳层模型着重计算了高斯分布函数的半宽度,分别给出了核56Fe,56Co,61Ni等元素的GT跃迁宽度,结果与部分核素实验的GT跃迁强度分布谱相近.采用高斯强度分布计算β衰变率较为简单,这对于β衰变率的计算和进一步精确研究恒星晚期演化有一定的意义.     

粗糙目标光外差信号特性对探测阈值的影响

传统目标回波光外差探测使用高斯分布等简单模型来描述,这常常导致判决误差.笔者提出利用多项式对实际目标测量数据进行拟合,给出较准确的概率分布曲线.通过对某装甲车表面样块多组测量数据的统计分析显示,利用多项式拟合来确定判决阈值,比起用简单的高斯分布来确定阈值,可以获得更高的检测概率和更低的误警概率.研究表明,对实测中频信号的统计直方图进行多项式拟合,有利于精确设置探测阈值,可以使检测概率提高6.02%,误警概率降低7.7%.文中结果为粗糙面回波外差探测系统设计提供定量参考,也为探测系统性能评估仿真提供依据.     

机载跟踪器的逃逸目标图像快速识别模型仿真

机载跟踪器进行逃逸目标识别跟踪的过程中,目标往往是高速移动的,为了逃逸跟踪,运动的速度和方向具有较大的突变性,与跟踪器之间会形成较大的跟踪距离差.传统的视觉方法为了弥补这种距离差,通过减少采集图像的样本,以提高跟踪的准确性,但是一旦样本数量过少,将会导致识别跟踪的准确性降低.提出基于高斯分布的动态逃逸目标识别跟踪方法.对跟踪目标图像进行归一化处理,获取与数据库中的样本图像具有同样的尺寸和分辨率的图像.计算动态目标图像的形心,根据高斯分布原理建立动态目标的识别跟踪模型,并对模型中的相关参数进行及时更新,保证了动态目标识别跟踪的及时性和准确性.实验结果表明,利用改进算法能够有效提高动态目标识别跟踪的准确性,缩短了识别跟踪的时间.     

斯坦福大学公开课：机器学习课程——Open Stanford Course Engineering Everywhere-MachineLearning

随着"智能制造"概念的普及,人工智能技术的研究与应用变的越来越被人们关注。人工智能在制造中的运用已经成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。机器学习无疑是最有希望实现这个"智能"的研究方向之一。斯坦福大学的"Stanford Engineering Everywhere"免费提供学校里最受欢迎的工科课程给全世界的学生和教育工作者。得益于这个项目,我们有机会和全世界站在同一个数量级的知识起跑线上。     

一种主动感知的纹理图像检索方法(英文)

基于Contourlet变换和支持向量机提出了一种新的纹理图像检索方法。在这种方法中,能量和广义高斯分布参数被用做Contourlet子带图像的特征。通过这种表示,提出了由一类和二类支持向量机组成的两阶段检索算法来完成感知相似性测度。通过具有640个纹理图像的VisTex库和具有1760个纹理图像的Brodatz库证明了所提方法的有效性。实验结果表明,对于这两个纹理库,新的纹理图像检索方法的平均检索率分别达99.38%和98.07%。     

煤与瓦斯突出危险性预测的SaS-PNN模型及应用

煤与瓦斯突出是一种复杂的非线性动力学过程,其机理复杂、影响因素众多。单一的评价指标无法准确描述煤与瓦斯突出危险性。为了探讨煤矿开采过程中煤与瓦斯突出危险性具体等级情况,综合考虑煤与瓦斯突出发生的地应力、瓦斯和煤的物理力学性质等条件。选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度作为煤与瓦斯突出危险性预测的评价指标。但煤与瓦斯突出评价指标之间或多或少存在一定的相关性,其评价指标中存在一些服从非高斯分布的指标。很难满足概率神经网络（PNN）样本层中采用高斯分布作径向基函数的要求。鉴于此,提出一种对称Alpha稳定分布（SaS）。SaS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布。在SaS的基础上,建立煤与瓦斯突出危险性预测的SaS-PNN模型。将SaS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测,预测结果表明：SaS-PNN模型具有良好的预测效果,其误判率为7.69%。为煤矿开采中煤与瓦斯突出危险性预测提供了一种新思路。     

基于背景差法的几种背景建模方法的研究

目前最常用也最有效的运动目标检测方法是背景差法,其中背景提取是背景差法的核心。主要比较了均值滤波法、中值滤波法、混合高斯分布法三种常用的背景建模的方法,说明了各算法在不同情况下的性能优劣。通过实验发现,均值滤波法和中值滤波法适合特定的场合,混合高斯法在场景复杂的情况下效果更好。