检验门限协整模型中的线性协整

考虑门限协整回归模型中线性的检验问题.在原假设为线性协整的条件下,构造TSupLM(supremumLagrange multiplier)统计量,并给出了极限分布.Monte Carlo实验研究了SupLM检验的有限样本性能,结果表明SupLM检验不受回归误差的序列相关性影响,也不受广义的自回归条件异方差GARCH(generalized autoregressiveconditional heteroskedastic)的影响.应用SupLM检验方法检测美国国库券收益率之间的关系,结果表明不同到期时间的国库券收益率之间存在门限协整关系.     

数独基于规则的逐步枚举算法设计

给出了数独(Sudoku)的6条性质,并在此基础上提出了6条推理规则,然后结合空格填写的一个一组,两个一组及更多个一组的枚举算法,在枚举中进行推理.使推理和枚举结合起来,对有唯一解的数独问题,其求解速度比回溯法快得多,同时也能完成许多数独软件无法进行推理计算的数独难题.用两个数独难题进行验证,表明该方法十分有效.     

平滑转移向量误差修正模型的非线性调节bootstrap检验

对原假设为线性不含平滑转移均衡趋势关系的两类平滑转移向量误差修正模型提出了非线性调节检验;提出了检验这类非线性调节关系的SupWald检验、相应的渐近分布和残差bootstrap方法模拟p值. 模拟实验中证实了有限样本下SupWald检验统计量的良好效用, 并给出了其适用范围, 进而应用该方法检验出几组美国国库券收益率间存在明显的平滑转移非线性调节.     

具有非参数AR(1)误差的回归模型的局部线性估计

考虑随机设计下具有一阶非参数自回归误差的线性回归模型,构造了参数和非参数函数的局部线性估计。在适当的条件下,证明了参数估计量的渐近正态性,并给出了非参数函数估计的收敛速度。模拟算例表明局部线性方法优于核方法。     

图像处理的多分辨随机模型的研究进展*

多分辨随机模型是近几年发展起来的信号与图像多分辨分析模型和方法,已经成为各领域关注的焦点。从多分辨随机模型的产生、演变、模型的估计理论、计算方法、模型的应用等方面对该模型的研究现状给予介绍和分析;最后对该模型进行展望,并提出一些值得研究的方向。     

关于动态模型状态参数的稳健贝叶斯估计的研究

在卡尔曼滤波理论中,假设状态噪声和量测噪声以及系统的初始状态 x_o 均服从于高斯分布且相互独立.然而,在工程应用中上述假设条件并非都能满足,观测数据中常常含有异常值(outliers),而且量测噪声也往往是含有异常值的“长尾分布”,而从本质上讲是递推最小二乘估计的卡尔曼滤波对异常值的“长尾分布”非常敏感,甚至一个异常值都会严重破坏对状态参数的估计,并且将这种误差由递推形式传播下去,从而破坏了实时控制机制.     

一种新的基于多尺度似然比检验的SAR图像分割方法*

提出的图像分割新算法利用当图像分辨率改变时,不同目标斑点模式变化方式的不同以及相邻图像尺度间的Markov性,推导得出了多尺度似然比的表达式;该方法同时考虑了多尺度自回归（MAR）模型产生的残差信息和较粗尺度图像的灰度信息,增强了区分度,分割结果更精确;考虑了被分类像素的邻域特性,使其对噪声不敏感,具有稳健性。实验结果表明分割效果是显著的。     

基于独立分量分析的极化SAR图像的相干斑抑制

研究基于独立分量分析( ICA)的极化合成孔径雷达（SAR）图像相干斑抑制方法。该方法将极化SAR图像斑点噪声的乘积模型,变换为应用ICA的信号独立加噪模型。并且将HV/VV的比值图像,也作为ICA的输入数据。利用ICA 的分离性,得到了分别对应于HH、HV和VV极化的三幅降噪图像。经本文方法处理后的图像,其相干斑噪声得到了有效的抑制,具有较高的等效视数,明显地改善了图像的质量。     

基于深度学习方法的单张零件图像重建网格模型

重建物体的三维形状是计算机图形学领域的一个研究热点,网格模型是一种常用的三维模型。文中基于深度学习方法提出一种从单幅机械零件图像重建其网格模型的方法。首先经过一个图像预处理过程将前景零件从背景中分离出来;其次基于ResNet和BSP-Net两个骨干网络建立一个新的网络结构,将前景零件图像重构为网格模型。该网络将零件的多个视图图像作为输入,并融合它们的重要特征。此外,加入形状先验损失引导模型的训练过程以优化重建结果。对螺母、螺栓和垫圈进行重建实验,验证了该方法的有效性。通过训练过程的损失函数曲线说明添加多视图特征融合和形状先验损失可以让损失收敛到更低的值。在三个评价指标上的测试表明,文中方法的重建结果优于ResNet+BSP-Net方法和IM-Net方法。     

改进的动态图模型点模式匹配

为了提高概率图模型点模式匹配的精度,本文提出了改进的动态图模型点模式匹配算法。首先,在动态图模型点模式匹配的相似性度量中应用混合高斯分布,以提高模型利用多特征的能力,使匹配方法对噪声更加稳健。其次,在目标点集中引入了虚拟的哑点并给出了包含哑点的相似性度量。当模板中的点和哑点相匹配的相似性度量更大时模板点将和哑点匹配,以减少由异常点所导致的误配。实验结果表明所提出的匹配方法对噪声和异常点更加稳健,匹配的精度也优于传统方法。