邻域迭代重采样粒子滤波的纯方位目标跟踪

为了解决粒子滤波的非线性全局优化问题,基于重采样的思想是移除权重小的粒子,增加权重大的粒子数量,提出利用邻域搜索重采样的粒子滤波（NIRPF）进行目标跟踪。首先,预测粒子,并利用重要序列采样（SIS）给粒子赋权值;然后,在搜索后验概率密度的高概率区过程,更新单个粒子位置,利用高斯-邻域搜索迭代地加权所有粒子;最后,进行当前状态的估计。纯方位目标跟踪问题涉及两个静态观察器和非机动和机动两类目标。蒙特卡罗仿真结果验证了提出方法的有效性,与均方根容积卡尔曼滤波、容积粒子滤波和随机搜索的粒子滤波相比,提出的方法拥有更快的初始收敛速度,非机动目标和机动目标的根均方误差（RMSE）和时间根均方差（RTAMS）的评估更优。     

基于多尺度重采样的车道线检测

提出了一种适用于辅助驾驶的高鲁棒性车道线检测算法。算法采用了根据距离的影像金字塔,有效提高了检测效率和准确率,实现了Android平台的实时检测,使用水平方向暗-亮-暗特征、二次曲线车道模型和基于卡尔曼滤波的跟踪实时提取跟踪路面车道线,实现相机俯仰角的快速标定。实验证明,基于简单特征和车道线模型算法在Android系统的行车记录仪上可稳定地进行车道跟踪。     

基于邻域表的多目标进化算法

针对算法性能和运行时间的矛盾,提出一种基于邻域表的多目标进化算法(NLEA).采用类似于图中邻接表的结构对解个体进行存储,利用个体之间的邻近关系从拥挤程度和距离上对其进行分级适应度赋值,并根据适应值调整个体链表中的次序以便高效的进行环境选择操作.通过7个测试问题和3个方面的测试标准,结果表明新算法在较快速的接近真实的最优面的同时,拥有良好的分布性.     

基于邻域密度的异常检测方法

提出了一个基于邻域密度的异常检测方法,它能处理混合数据的异常值。在该方法中,样本的异常指标被定义为该样本的邻域大小和该样本的平均邻域密度的加权和。为了验证提出的方法,进行了一系列实验。实验结果表明新提出的方法适用于混合数据,并且比其他检测方法更有效。     

一种基于邻域的多目标进化算法

种群维护是多目标进化算法的重要组成部分。针对维护方法和运行效率的矛盾,提出一种基于邻域的多目标进化算法（NMOEA）。定义了一个反映个体之间邻近程度的指标--邻域包含关系,利用此关系对个体进行分布适应度分级的赋值,并用动态方法快速地对种群进行维护。通过7个测试问题和3个方面的测试标准,结果表明新算法在较快速地接近真实的最优面的同时,拥有良好的分布性。     

基于角度邻域的多目标差分进化算法

针对如何实现差分进化算法求解多目标优化问题,提出了一种基于角度邻域的多目标差分进化算法,通过在选择操作中引入弱支配概念,实现了对多目标优化问题的求解.该算法通过计算目标空间中个体与权重向量的夹角来确定每个个体的邻域,并在此基础上引入了基于角度邻域的变异策略,使个体的变异在邻域内进行,保证进化方向.此外,该算法创建了一个外部存档用来保存进化过程中的非支配解,并定期对外部存档进行维护,大大改善了解集的分布性.大量的数值仿真实验结果表明通过角度确定邻域的方法比通过欧氏距离确定邻域的方法更加有效,算法所得解集的收敛性和分布性也均明显优于基于分解的差分多目标进化算法(multiobjective evolutionary algorithm based on decomposition and differential evolution,MOEA/D–DE)和非支配排序算法Ⅱ(nondominated sorting genetic algorithm II,NSGA).     

基于再采样的图像重采样伪作检测

重采样是图像篡改中的一种典型操作,针对现有重采样伪作检测算法对于JPEG压缩格式的图像检测效果不理想,也无法准确估计其中的缩放因子的问题,提出了基于再采样的图像重采样检测算法。该算法先将待检验的JPEG图像以缩放因子小于1进行再次重采样,以削弱JPEG压缩对算法的影响,再利用重采样信号二阶导数具有的周期性来进行重采样操作检测。实验结果表明,该算法具有很强的抗JPEG压缩能力,同时能够准确估计真实的缩放因子。另外,该算法对于经过不同缩放因子而得到的图像进行合成时的重采样操作,也有明显的检测效果。     

基于聚类混合采样与PSO-Stacking的车载CAN入侵检测方法

随着信息技术的快速发展以及智能网联汽车的日渐普及,由网络入侵引起的车联网安全事件正在逐年增加。针对车联网中车载控制器局域网络（CAN）存在的网络攻击问题,提出一种改进的车载CAN入侵检测方法。考虑到车载CAN中数据流量较大且各类别数据比例失衡,提出一种聚类混合采样方法来平衡数据,对于流量较大的数据,在聚类后进行欠采样以去除冗余,对于流量较小的数据,使用SMOTE方法合成数据。合并上述两部分数据并使用Tomek Links算法进行数据清洗。使用基于Gini系数的GBDT特征选择方法计算特征重要性,删除重要程度较低的特征以实现数据降维。在此基础上,使用粒子群优化算法对Stacking模型中的基学习器和元分类器进行调优,使用优化后的基学习器和元分类器构建Stacking模型并完成入侵检测。实验结果表明,该方法在主流车载CAN入侵数据集上的检测准确率为98.18%,优于常见的ANN、KNN、SVM、MTHIDS及MGA-DTC模型,且对DoS、Fuzzy等类别样本的检测精确度较高,漏报率较低,体现出较好的先进性和实用性。     

基于再采样的图像重采样伪作检测

重采样是图像篡改中的一种典型操作,针对现有重采样伪作检测算法对于JPEG压缩格式的图像检测效果不理想,也无法准确估计其中的缩放因子的问题,提出了基于再采样的图像重采样检测算法。该算法先将待检验的JPEG图像以缩放因子小于1进行再次重采样,以削弱JPEG压缩对算法的影响,再利用重采样信号二阶导数具有的周期性来进行重采样操作检测。实验结果表明,该算法具有很强的抗JPEG压缩能力,同时能够准确估计真实的缩放因子。另外,该算法对于经过不同缩放因子而得到的图像进行合成时的重采样操作,也有明显的检测效果。     

基于邻域采样的异质网络链接预测算法

面对规模日益增长的图数据,传统的图卷积模型直接在大规模图上进行训练需要耗费大量的计算资源和时间,采样方法通过灵活构建输入模型中的数据成为缓解这一问题的常用措施。现有采样方法多针对同质网络,并且在考虑训练过程中出现的邻居爆炸、训练成本过大的问题时仍然存在欠缺。为解决大规模网络训练的这一缺陷,论文提出一种基于邻域子图采样的训练框架,使得图卷积网络能够在大规模异质网络上高效地完成训练。具体而言,论文方法首先将邻域采样和批量处理结合起来,利用k阶采样器对完整的异质网络进行采样得到批量邻域子图,然后使用关系图卷积模型对各子图进行特征提取,从而获得链接预测评分。为了评估该采样算法的有效性,论文在三种规模不同的异质网络数据集FB15k-237,FB-Toy,WN18上进行链接预测任务实验。实验表明,添加提出的邻域采样方法的关系图卷积模型与基线相比能够显著提升在大规模异质图中链接预测任务的准确率以及模型训练速度。     

基于冗余性的图像重采样检测

数字图像取证中,目前的重采样检测算法都是检测图像中是否存在插值过程引入的周期性,而周期性的判定一般通过在频域的幅度谱中寻找峰值来进行,进而通过峰值的位置来计算重采样因子。但是由于重采样过程中的频率混叠问题导致了重采样因子不能完全确定。针对这个问题,本文提出一种时域中计算重采样因子的方法。重采样图像中每个像素行（或列）和相邻行（或列）的冗余性大小不同,并且冗余性大小呈现出周期性的分布。通过检测此特征就可以实现对重采样的取证,并且确定重采样因子。实验显示,在未压缩的图像中算法可以正确地估计出所有重采样因子,在压缩图像中本文的算法较之前的算法也有明显的优势。     

重采样方法与机器学习

Boosting算法试图用弱学习器的线性组合逼近复杂的自然模型,以其优秀的可解释性和预测能力,得到了计算机界的高度关注.但Boosting只被看作是一种特定损失下的优化问题,其统计学本质未曾得到充分的关注.作者追根溯源,提出从统计学角度看待Boosting 方法:在统计学框架下,Boosting算法仅仅是重采样方法的一个有趣的特例.作者希望改变计算机科学家只重视算法性能忽略数据性质的现状,以期找到更适合解决"高维海量不可控数据"问题的方法.     

基于混合重采样的非平衡数据SVM训练方法

针对传统的SVM算法在非平衡数据分类中分类效果不理想的问题,提出一种基于分类超平面和SMOTE过采样方法(HB_SMOTE)。该方法首先对原始训练样本集使用WSVM算法找到分类超平面,然后按一定标准剔除负类中被错分的样本、靠近分类超平面的样本以及远离分类超平面的样本。在UCI数据集上的实验结果表明:与RU_SMOTE等重采样方法相比,HB_SMOTE方法对正类样本和负类样本都具有较高的分类准确率。     

基于改进混合高斯模型的运动目标检测方法

针对传统高斯模型易将背景显露区域检测为前景问题与对复杂场景下噪音处理效果差的缺陷,提出了一种混合了三帧差算法的改进混合高斯模型算法. 利用三帧差算法快速确定背景显露区域与前景的优势,提高了算法对背景显露区域的适应性;提出一种背景模式邻域更新法,提高了对复杂背景噪音的抗干扰性. 通过实验证明,该算法与传统方法相比,在复杂背景下减少了大量噪音,学习周期短,提高了对天气、摄像头震动等干扰的抗性,优化了背景显露引起的“影子”噪音问题.     

改进的自适应邻域的多目标进化算法

提出了一种新的自适应邻域的多目标进化算法,该算法采用自适应邻域的方法维护群体的分布性。探讨了根据当前群体情况进行自适应改变邻域半径,避免了传统邻域策略所引起的邻域半径的取值影响群体分布性的问题。另外,利用自适应邻域半径和拥挤距离进行密度估计,使密度小的个体得到保留。实验结果表明,所讨论的方法是有效的,在保持群体分布性上优于NSGAII和NMOEA。     

用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型

高斯混合模型是一种简单有效且被广泛使用的图像分割工具。然而,传统的高斯混合模型在混合成分个数确定时的拟合结果不够精确;此外,由于没有考虑像素间的空间关系,导致分割结果易受噪声干扰,且分割精度不高。为弥补传统高斯混合模型的缺陷,文中提出多分类高斯混合模型和基于邻域信息的高斯混合模型用于图像分割。多分类高斯混合模型对传统混合模型进行二重分解:传统混合模型由M个分布加权混合得到,多分类混合模型进一步将M个分布中的每一个分布分解成R个分布。即多分类高斯混合模型由M个高斯分布混合组成,而这M个分布分别由R个不同的分布混合得到,提高了模型的拟合精度。基于邻域信息的高斯混合模型通过对模型中的先验概率和后验概率添加空间信息约束,增强了像素间的信息关联和抗噪性。采用结构相似性、误分率和峰值信噪比等指标来评价分割结果。通过实验发现:与现有的混合模型分割方法相比,文中方法大幅提高了分割精度,且有效地抑制了噪声干扰。     

基于深度重采样的奥氏体不锈钢焊缝超声TOFD检测技术研究

针对传统奥氏体不锈钢焊缝超声TOFD检测技术获取的检测信号信噪较低、难以有效判定缺陷衍射波的问题,本文提出了深度重采样超声TOFD检测技术,并通过试验分析了技术中探头角度、叠加次数的控制要点,检测了该技术提升信噪比的效果。实验结果表明,当控制斜楔角度为60°,叠加次数为8次时,本文提出的技术可取得较高的检测信号信噪比,对比常规超声TOFD检测信号,平均信噪比提高了67.5%。     

基于邻域优化机制的图像显著性目标检测

在显著性目标检测中,背景区域和前景区域区分度不高会导致检测结果不理想。针对这一问题,提出一种基于邻域优化机制的图像显著性目标检测算法。首先对图像进行超像素分割;然后在CIELab颜色空间建立对比图和分布图,并通过一种新的合并方式进行融合;最后在空间距离等约束下,建立邻域更新机制,对初始显著性图进行优化。实验对比表明,该算法显著性目标检测效果更好。     

基于邻域场拉普拉斯混合模型图像分割的研究

针对高斯混合模型（GMM）不能有效处理重尾噪声下图像拖尾情况,提出了基于拉普拉斯（Laplacian）分布的有限混合模型图像分割方法。与标准拉普拉斯混合模型（LMM）将像素点作为孤立个体不同的是,该方法充分考虑了相邻像素点间的空间关系。相较传统混合模型参数估计采用的EM算法,该方法采用梯度下降法优化参数。实验结果表明在处理重尾噪声时,该方法与标准LMM算法和GMM算法相比,鲁棒性更好,分割更精确有效。     

基于行为模式挖掘的骨干网攻击检测算法

针对Internet骨干网面临的主要攻击行为,提出一种基于攻击行为模式的建模方法。基于行为模式挖掘设计一种快速检测算法,提出一种基于双页表结构的攻击信息树的构建算法。实验结果证明该检测方法能够实时地检测骨干网中已知或未知的攻击,定位报告受害源。