基于谱聚类与混合模型的SAR图像多尺度分割

针对谱聚类方法应用于合成孔径雷达（SAR）图像分割时Laplace矩阵的特征值和特征向量难以计算的问题,结合SAR图像在多个尺度的统计信息,给出了一个包含顶点凝聚、初始分割和分割细化3个步骤的SAR图像多尺度分割方法。首先,用一个顶点数不断减少的凝聚图序列来逼近从SAR图像得到的图;然后应用谱聚类方法对最粗尺度的凝聚图进行分割得到初始分割结果;最后根据SAR图像的统计性质,利用基于混合模型估计的分类后验概率将初始分割结果逐尺度进行细化得到SAR图像的最终分割。实验结果表明了方法的有效性。     

基于条件互信息的多维时间序列图模型

在多维时间序列的图模型中引入信息论方法, 提出了多维时间序列中各分量之间直接线性联系存在性的互信息检验．定义了线性条件互信息图, 图中的结点表示多维时间序列的分量, 结点间的边表示各分量之间存在的直接线性相依关系．提出了分量之间条件线性联系存在性的信息论检验方法．图中边的存在性用基于线性条件互信息的统计量检验, 统计量的显著性用置换检验决定．应用到实例中的结果表明本文的方法能迅速准确的捕捉各分量之间的直接线性联系.     

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.     

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.     

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.     

非参数回归模型均值函数结构变点的检测与应用

本文将一类系统参数变点检测问题转化为非参数回归模型均值函数结构变点的检测问题.针对当非参数模型均值函数跃度的长期均值为零时,残量累积和(cumulative sum,CUSUM)统计量无效的问题,首先利用均值函数的核估计构造新统计量,给出了原假设和备择假设下统计量的极限分布;进一步构造Bootstrap检验,证明了Bootstrap检验的一致性;最后以模拟结果表明新方法明显优于已有的方法,并应用于两类实际数据分析,说明方法的有效性.     

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。     

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。     

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。     

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.