基于自回归移动平均反转的在线投资组合选择

针对现有均值反转类策略未充分考虑噪声数据、单周期假设和数据的非平稳性等问题,提出了一种基于多周期的高效的在线自回归移动平均反转（OLAR）算法。首先,利用自回归移动平均算法得到了股价预测模型,并经过合理的假设将其转化为自回归模型;然后,结合损失函数和正则项构造出了目标函数,并利用损失函数的二阶信息得到了参数的闭式解;接着,利用在线被动攻击（PA）算法得到了投资组合的闭式更新。理论分析和实验仿真结果表明,与鲁棒中位数反转（RMR）相比,OLAR在NYSE（O）、NYSE（N）、道琼斯工业指数（DJIA）和MSCI数据集上的累积收益分别提高了455.6%,221.5%,11.2%和50.3%;同时,统计检验结果表明,OLAR的表现并不是由随机因素造成的。此外,与RMR和在线滑动平均反转（OLMAR）等算法相比,OLAR获得了最大的年化收益率、夏普比率和Calmar比率;最后,OLAR的运行时间与RMR和OLMAR基本相同,因此也适合大规模的实时应用。     

改进的基于混合高斯模型的运动目标检测算法

针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法。将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度。分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果。实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性。     

深度自编码与自更新稀疏组合的异常事件检测算法

基于深度学习的异常检测算法输入通常为视频帧或光流图像,检测精度和速度较低。针对上述问题,提出了一种以运动前景块为中心的卷积自动编码器和自更新稀疏组合学习(convolutional auto-encoders and self-updating sparse combination learning, CASSC)算法。首先,采用自适应混合高斯模型(gaussian mixture model, GMM)提取视频前景,并以滑动窗口的方式根据前景像素点占比过滤噪声;其次,构建3个卷积自动编码器提取运动前景块的时空特征;最后,使用自更新稀疏组合学习对特征进行重构,依据重构误差进行异常判断。实验结果表明,与现有算法相比,该方法不仅有效地提高了异常事件检测的准确性,且可以满足实时检测需求。     

基于集成学习与位置信息约束的前方车辆检测

针对传统前方车辆检测方法难以同时满足准确性与实时性问题,提出一种结合AdaBoost集成学习与位置信息约束的车辆检测方法。首先,利用Edge Boxes算法根据车辆边缘序列信息计算推荐窗口。然后,通过帧存坐标系中车辆位置信息对非目标推荐窗口进行排除。最后,将过滤后窗口聚类处理并择优选取作为AdaBoost分类器输入,进行检测评判,并对最终检测结果进行边框回归处理,以提升检测精准度。实验结果表明,该方法对于不同检测场景有较强鲁棒性,能够同时满足车辆检测的准确性与实时性要求。     

基于分层词袋模型的室外环境增量式场景发现

场景理解是机器人在多样化环境中自主执行任务的前提,而场景发现是场景理解的一个重要内容.由于具体场景在空间和时间上存在连续性,可以假定移动机器人在某一段时间内处于同一场景,并且属于同一场景的图像序列的视觉观感是相似的,因此提出无需先验知识的增量式室外场景发现,通过分层词袋模型建立图像和场景的联系,使得场景发现过程更加类似人类认知模式.对于机器人实时获取的每一副图像,首先将其分块,然后利用动态聚类算法增量式地得到相应的低层词典,并据此词典提取高层词袋模型特征,接下来,再用另一动态聚类算法增量式地完成场景发现,从而判断当前图像属于一个已经历场景,或未经历场景,直到发现新场景.实验结果证明,该方法能够在没有先验知识的情况下有效完成自主场景发现.     

基于朗斯基函数的混合高斯模型运动目标检测*

针对传统的混合高斯模型在进行运动目标检测时存在拖影和性能差的缺点,本文提出了一种融合朗斯基函数和帧间差分法的混合高斯背景建模算法。该改进算法通过朗斯基矩阵行列式判断相邻像素间空间域相关性,以此增加模型参数更新条件,改进模型参数更新机制;并利用帧间差分法检测运动目标轮廓的灵敏性,将两种检测结果布尔或运算,完善目标轮廓。实验结果表明,该改进算法对拖影现象达到很好的抑制作用,并使算法检测性能得到提高。