基于HEIV模型的摄像机一维标定

多摄像机系统广泛应用于文化创意产业,其高精度标定是迫切需要解决的一个关键问题. 新近出现的摄像机一维标定方法能够克服标定物自身遮挡,特别适合标定多摄像机系统. 然而,现有的摄像机一维标定研究主要集中在降低一维标定物的运动约束,而标定精度较低的问题未受到应有的关注. 本文提出一种基于变量含异质噪声 （Heteroscedastic error-in-variables,HEIV）模型的高精度摄像机一维标定方法. 首先,推导出摄像机一维标定的计算模型;其次,利用该计算模型详细分析了一维标定中的噪声,得出摄像机一维标定可以视为一个HEIV问题的结论;最后给出了基于HEIV模型的摄像机一维标定算法. 与现有的算法相比,该方法可以显著改善一维标定的精度,并且受初始值影响小,收敛速度快. 实验结果验证了该方法的正确性和可行性.     

Multi-variate t Autoregressions: Innovations, Prediction Variances and Exact Likelihood Equations

Abstract.  The multi-variate t distribution provides a viable framework for modelling volatile time-series data; it includes the multi-variate Cauchy and normal distributions as special cases. For multi-variate t autoregressive models, we study the nature of the innovation distribution and the prediction error variance; the latter is nonconstant and satisfies a kind of generalized autoregressive conditionally heteroscedastic model. We derive the exact likelihood equations for the model parameters, they are related to the Yule–Walker equations and involve simple functions of the data, the model parameters and the autocovariances up to the order of the model. The maximum likelihood estimators are obtained by alternately solving two linear systems and illustrated using the lynx data. The simplicity of these equations contributes greatly to our theoretical understanding of the likelihood function and the ensuing estimators. Their range of applications are not limited to the parameters of autoregressive models; in fact, they are applicable to the parameters of ARMA models and covariance matrices of stochastic processes whose finite-dimensional distributions are multi-variate t .     

基于概率支持向量回归的产品设计时间预测模型

为使产品设计时间预测既克服小样本、异方差噪声问题,又提供除预测值以外的其他有用信息,建立概率支持向量回归(PSVR)模型。首先,在异方差回归模型基础上设计概率约束条件,以使预测值以较大概率位于真实值的某邻域,结合具有参数不敏感损失函数的支持向量回归确定优化目标,提出PSVR。然后,将最大完工时间知识嵌入进PSVR的约束条件,用以确定真实值邻域的宽度,将交叉验证与遗传算法相结合以确定PSVR的相关参数。最后,以注塑模具设计的实例进行分析,结果表明基于PSVR的时间预测方法可同时提供有效的预测值和预测区间。     

Optimal designs with respect to Elfving's partial minimax criterion for heteroscedastic polynomial regression

In this paper we consider optimal desings relating to Elfving's partial minimax criterion for a polynomial regression model with a known heteroscedastic structure. Sufficient conditions are found under which, an optimal design for an individual parameter, is also minimax optimal for a subset of parameters that includes the former.     

基于M残差的方差分量估计

根据M估计的线性表达式原理,导出了不同类观测M估计的线性表达式、多余参数以及观测量和参数估计量的方差协方差矩阵。M残差的二次型的无偏估计是方差分量和多余参数的函数。当误差密度已知时,多余参数的显式可以由方差分量表达,此时二次型是方差分量的显线性函数,由此构成了基于M残差的方差分量无偏估计公式。对Lp估计和正态分布,导出了方差分量估计的实用公式,在边角网中进行了应用。与赫尔默特方法进行比较,结果表明,有粗差时,方差分量估计和参数估计结果随着Lp估计的p的变化相差显著,无粗差时(或粗差被剔除时),不同的方差分量估计方法的结果相差甚微。该方法可以对赫尔默特方法进行有效的检查。     

基于各点异性理论的基础矩阵鲁棒估计

针对基础矩阵常用算法对噪声过于敏感、抗干扰能力差等缺点,基于误差与变量相关（Errors-in—Variables,EIV）模型提出1种新的鲁棒性基础矩阵估计算法．该算法采用各点异性回归技术,建立EIV模型,依据数据矢量观测集合最优地估计EIV模型参数和数据矢量真值集合．实验结果表明,在存在较大噪声干扰的条件下,此算法仍能较为准确地估计基础矩阵,具有良好的鲁棒性和较快的运算速度.     

有依从性观测的临床试验模型的参数估计

为了研究依从性对药物效果的影响,对一种结构线性模型,结合最小二乘和拟似然的思想,提出了一种新的参数估计方法,并在一般的条件下,证明了参数估计的相合性和渐近正态性.计算机模拟表明,这种方法不仅计算简单,有好的大样本性质,而且对于中小样本也有小的均方误差.     

计及历史气象数据的短期风速预测

提出一种计及历史气象数据的短期风速预测方法。首先将历史风速数据和历史气象数据作为风速预测的原始输入,采用混合特征选择(HFS)方法对输入向量进行删选,选取与预测风速强相关的变量,生成预测模型的输入特征集;然后运用异方差高斯过程回归(HGP)模型进行建模,该模型能体现风速的随机性。根据某实测风速数据进行提前1 h风速预测,结果表明所提方法能提高风速预测精度。     

异方差模型下最优设计的等价性及效率比较

考虑了异方差模型下的最优设计。给出了D-，G-及A-最优设计等价的充要条件，用D-最优设计的G-效率，G-最优设计的D-效率对D-最优设计和G-最优设计的优良性进行比较分析，并给出了数值结果。