高斯混合模型参数估值算法的优化

EM算法是高斯混合模型参数估值的常用方法,该算法有局部收敛的特性,易造成模型的参数估计对于初值较为敏感,往往得到一个局部的最优值.为了对EM算法进行优化,文中将具有全局寻优和并行搜索特性的遗传算法与EM算法相结合,对其加以改进,并用到语音转换过程之中,最后通过仿真实验分析了算法的性能,结果表明使用优化算法得出的高斯混合模型所转换出来的语音,相对于传统EM估计算法得出的高斯混合模型所转换出来的语音,具有较小的失真测度值,证明使用该优化算法能够改善转换后的语音质量.     

边界先验和自适应区域合并的显著性检测

为了对图像中的显著目标进行更精确的识别,提出了一种基于边界先验和自适应区域合并的显著性检测算法。采用超像素分割算法对图像进行过分割,把超像素看做图的一个顶点来进行构图;定位和消除错误边界,使背景基准集中存在很少的噪声,减小目标接触图像边界时造成的误检;采用单通道索引颜色直方图度量区域相似度并进行区域合并得到显著图。对比实验表明该算法相比其他算法取得了较高的查准率,说明了算法的有效性。     

基于背景和前景交互传播的图像显著性检测

为了更精确地提取图像中的显著性区域,提出一种新的基于背景和前景交互传播的图像显著性检测计算模型。通过建立一个新的模型来寻找图像中的显著性元素,用一种交互式特征传播方法来扩散显著性特征。采用不同参数对图像进行分割,得到多个尺度下的超像素;在单一尺度下通过背景和前景交互传播获得超像素的显著值;对多个显著值进行加权平均融合,并采用平滑机制进行优化得到最终显著图。在公开图像数据库进行的试验结果表明,该模型提高了对图像显著目标大小的适应性,不仅较好地抑制了噪声,还使得显著目标更均匀地凸显出来,结果优于同类的算法。     

基于前景优化和概率估计的显著性检测

为了对图像中的显著目标进行更精确的识别,提出一种基于前景优化和概率估计的区域显著性检测算法.所提出算法主要包括前景与背景线索选择、前景线索优化及基于概率估计的显著性区域检测3部分.首先,采用简单线性迭代聚类算法对图像进行初始分割;然后,分别检测图像的背景线索和前景线索,并利用背景线索对前景线索进行优化;最后,采用概率估计算法分别对基于背景线索和优化后前景线索进行显著性区域检测,并对两者结果进行融合.对比实验表明,所提出算法相比其他算法取得了较高的查准率,具有较好的检测性能.     

P2P流媒体技术及其在网络教育中的应用研究

P2P(peer to peer)网络是互联网资源共享的理想途径,为了解决流媒体与带宽之间的矛盾,提出将P2P技术应用于流媒体传输。在流媒体中融入P2P技术,用户可以突破当前网络带宽瓶颈并提高节目播放质量。在此基础上,给出了一个具体的P2P流媒体直播系统的实例。构建了满足现代网络教育的P2P流媒体实现平台,重点叙述基于此平台的网络教育系统基本结构和解决方案,使系统可以满足高质量的教学视频直播。     

一种具有QoS保证的路由协议改进算法

在比较分析Ad Hoc网络中现有QoS路由协议算法的基础上,改进了一种基于DSR具有QoS的路由协议(称为SRPQG协议)。在设计过程中把网络的稳定性作为主要目标,通过引入链路稳定因子,设计了新的提高链路稳定性的计算方法。此外,定义了新的函数进行路由开销综合评定,在数据流带宽保证的前提下,优先选择稳定性好的链路,从而网络的稳定性得到进一步保证。仿真结果表明,该协议在网络节点运动频繁或者节点数目较少时,表现出较好的QoS性能。