共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
非高斯数据的高斯化滤波 总被引:1,自引:0,他引:1
在信号检测、图像处理等领域有时需要对非高斯数据进行高斯化滤波处理。给出高斯化滤波定义和它的一般工作机理,重点介绍评估滤波效果的Q-Q图检验方法,然后对比研究了基于概率密度函数及其导数的U滤波和基于概率密度函数反函数的G滤波两种高斯化实现的方法、原理与性能,并给出了一组湖试数据实例。 相似文献
3.
不完全描述混合高斯有色背景干扰下幅度未知微弱信号的检测问题是当前声纳、雷达所面临的一大类检测问题的典型描述.Rao检测器是可胜任这类任务的一种渐近最佳检测器,具有检测性能高、结构简明、工程实用性强等优点.本文首先完成了Rao检测器的构建,接着对其检测性能进行了仿真分析,最后给出了总结. 相似文献
4.
混合高斯模型能够有效地拟合混响背景的一维概率密度分布。常用的混合高斯概率密度模型参数估计方法是EM迭代算法,但这种算法的主要缺点是估计精度过分依赖于初始值。而GreedyEM算法通过往混合模型中不断地加入高斯分量,能很好地解决这一问题。文章将多维图象处理中的GreedyEM算法加以合理简化,并给出模型自动定阶方法,从而成功应用于水声混响的一维混合高斯模型建模中。实验结果表明:应用新算法能从混响接收数据中准确拟合其概率密度曲线,并且能适应不同的数据长度,具有很好的通用性。 相似文献
5.
6.
针对非高斯振动信号的幅值概率密度函数难以用数学模型表述的问题,提出了基于高斯混合模型的非高斯概率密度函数表示方法。首先,基于时域样本信号得到非高斯振动信号的高阶矩估计值。其次,基于高斯随机过程偶次高阶矩之间的定量关系,结合二阶高斯混合模型建立方程组,求解得到混合模型中每个高斯分量的方差和权值。然后,将各高斯分量的权值和方差代入高斯混合模型,得到适用于对称非高斯振动信号的幅值概率密度函数。最后,通过仿真信号和实测振动信号,验证了该方法的有效性和适用性。 相似文献
7.
8.
10.
基于自适应混合高斯模型背景提取的研究 总被引:1,自引:0,他引:1
运动目标检测的主要方法有相邻帧差法与背景减法,在背景减法中。准确的提取背景是运动目标检测的核心任务之一。背景提取的主要方法有均值法、中值法、Mode算法以及基于单高斯模型与混合高斯模型的背景提取方法,前四种方法的求解过程比较简单,但对于复杂多变的背景,提取的准确性较差.对此本文提出了一种基于自适应混合高斯模型的背景提取的算法,实验结果验证了算法的实用性与有效性。 相似文献
11.
12.
13.
针对作用于屋盖结构随机风压场样本的统计特性要求,基于零记忆非线性转化法的理论,给出了随机风压场的具体模拟过程。其中,解决了两个关键问题:(1)推导了服从对数正态分布和韦布尔分布的多点非高斯随机过程向量的标准化协方差,与相应高斯随机过程向量的标准化协方差的函数转化关系;(2)提出了分解谱密度函数修正法,解决利用谐波合成法模拟多点高斯随机过程向量时,功率谱密度函数矩阵在某些频率点出现负定的问题。经过具体算例表明,所提出的方法能生成合乎风洞实验数据统计特性要求的随机风压场样本。 相似文献
14.
混合高斯模型是对非高斯数据进行概率密度拟合典型模型,其参数估计可以通过期望最大化(EM)迭代算法获得。多维混合高斯模型参数的EM估计因结构庞杂而难以求解,而对主动检测背景的统计特性拟合来说,一维的混合高斯模型一般即已足够。描述了该情形下的混合高斯模型及其参数估计问题之后,导出了一种工程实用的、简化的EM迭代算法,并给出了可计算机编程实现的算法流程图。然后详细探讨了对EM估计精度与速度有着重要影响的参数初始化问题,给出了三种可选择的初值设置方案:高速度方案、高精度方案和二者的折衷方案,并分析了它们各自的适用场合。最后,结合一组数值仿真实例,演示了EM迭代算法的良好的混合高斯模型参数估计性能。 相似文献
15.
根据加性窄带混合高斯噪声中随机参量信号最佳阈值检测模型构建了非高斯最佳检测器,并通过仿真试验验证了模型的有效性。 相似文献
16.
运动目标检测的主要方法有相邻帧差法与背景减法,在背景减法中,准确的提取背景是运动目标检测的核心任务之一。背景提取的主要方法有均值法、中值法、Mode算法以及基于单高斯模型与混合高斯模型的背景提取方法,前四种方法的求解过程比较简单,但对于复杂多变的背景,提取的准确性较差.对此本文提出了一种基于自适应混合高斯模型的背景提取的算法,实验结果验证了算法的实用性与有效性。 相似文献
17.
基于驾驶数据,驾驶行为分析方法能够获得隐藏的驾驶行为信息,进而实现驾驶风格识别等应用。随着传感器技术的发展,先进驾驶辅助系统需分析的驾驶数据的规模和维度不断增加,这提升了驾驶行为分析结果的有效性和普适性,但也给数据分析工作带来了挑战。因此,准确高效的驾驶行为分析方法对于先进驾驶辅助系统的作用越发重要。针对大规模、高维驾驶数据集,本文提出了一种基于序贯稀疏自编码器和高斯混合模型的驾驶行为分析方法。首先,为了有效提取驾驶数据的低维特征,该方法改进了稀疏自编码器在预训练阶段的损失函数,降低了模型参数易落到局部最优的风险;然后,该方法基于线性映射将提取到的驾驶特征映射到颜色空间,实现了驾驶行为的可视化;最后,该方法使用高斯混合模型对提取到的驾驶特征进行聚类,实现了驾驶风格的识别。真实驾驶数据的验证结果表明,所提算法可以提取到比传统算法更有区分度的驾驶特征,并在轮廓系数等性能指标下都取得了更好的驾驶风格识别效果。 相似文献
19.
混合高斯参数估计的两种EM算法比较 总被引:1,自引:0,他引:1
混合高斯模型是一种典型的非高斯概率密度模型,获得广泛应用。其参数的优效估计可以通过最大似然方法获得,但最大似然估计往往因其非线性而难以实现,故期望最大化(Expectation-Maximization,EM)迭代算法成为一种常用的替代方法。常规EM算法性能受迭代初值设置影响大,且不能对模型阶数做出估计。一种名为贪婪EM的改进算法可以克服这两个缺点,获得更为准确的模型参数估计,但其运算量一般会远大于前者。本文对这两种EM算法进行综合研究,深入挖掘两者之间的关系,并基于相同的数值仿真实例,直观地演示比较两者的性能差异。 相似文献
20.
为改善混响背景下传统匹配滤波算法效果不佳问题,在分析其非平稳性、有色性和非高斯性的基础上,提出了混合高斯时变自回归模型(Gaussian mixture Tvar Model,GTM),推导了模型公式及其参数求解方法,形成了GTM回波检测算法。为对混响特性及滤波效果进行定量描述进而验证算法性能,给出了一种定量衡量混响非平稳性、有色性、非高斯特性的滤波效果评价方法。通过实测混响分析表明,GTM模型能够较好地拟合实测混响的概率密度曲线和功率谱密度曲线,实现了混响背景下回波的有效检测并改善混响特性。 相似文献